= â~ëëÉä= =

= ìåáîÉêëáíó=
= éêÉëë=
=
=
=
=
=
=
=
=
=
=
=
=
=
=
=
=
=
=
h~é~òáí®íëëíÉìÉêìåÖ=áå=aáÉåëíäÉáëíìåÖëìåíÉêåÉÜãÉå=J=
léíáãáÉêìåÖë~åë®íòÉ=ÇÉë=dΩíÉêï~ÖÉåã~å~ÖÉãÉåíë=

Christian Wurst
Die vorliegende Arbeit wurde vom Fachbereich Wirtschaftswissenschaften der Universität Kassel als
Dissertation zur Erlangung des akademischen Grades eines Doktors der Wirtschafts- und Sozialwissen-
schaften (Dr. rer. pol.) angenommen.

Erster Gutachter: Prof. Dr. Richard Vahrenkamp

Zweiter Gutachter: Prof. Dr. Udo Winand

Tag der mündlichen Prüfung 28. April 2004

Bibliografische Information Der Deutschen Bibliothek

Die Deutsche Bibliothek verzeichnet diese Publikation in der Deutschen
Nationalbibliografie; detaillierte bibliografische Daten sind im Internet über
http://dnb.ddb.de abrufbar

Zugl.: Kassel, Univ., Diss. 2004

ISBN 3-89958-078-8

© 2004, kassel university press GmbH, Kassel

www.upress.uni-kassel.de

Umschlaggestaltung: 5 Büro für Gestaltung, Kassel

Druck und Verarbeitung: Unidruckerei der Universität Kassel
Printed in Germany
Für Sven, Vanessa und das Team um die PVG-Lupe
- Danke für die Unterstützung !
Inhaltsverzeichnis

EINLEITUNG ............................................................................................................ 11

TEIL 1 - THEORIE .................................................................................................... 16

1. Besonderheiten des Dienstleistungsmanagements ........................................................... 17

1.1 Grundlagen des Güterwagenmanagements..................................................................... 17
1.1.1. Definitionsansätze des Dienstleistungsbegriffs ...................................................... 17
1.1.2. Auswirkungen auf das Güterwagenmanagement ................................................... 22
1.2. Güterwagenmanagement als Kapazitätssteuerung......................................................... 32
1.2.1. Kapazitätsmanagement und Kapazitätsmessung .................................................... 33
1.2.2. Kernprozesse als Orientierungsrahmen für das ...................................................... 35
Güterwagenmanagement .................................................................................................. 35
1.3. Fazit und Erläuterung der Forschungsfragen................................................................. 44

2. Anpassung der Untersuchungsmethodik an die Dienstleistungseigenschaften ............ 47

2.1 Problemstellung und theoretischer Ansatz ..................................................................... 47
2.2. Untersuchungsmethode.................................................................................................. 53
2.3. Fazit ............................................................................................................................... 68

3. Kernprozesse des Güterwagenmanagements in der Literatur....................................... 70

3.1. Prognose der Kundenerwartung..................................................................................... 71
3.1.1. Qualitative Kundenanforderungen.......................................................................... 71
3.1.2. Quantitative Bedarfsprognose................................................................................. 76
3.2. Bestimmung des Kapazitätsbedarfs ............................................................................... 86
3.2.1. Service Design ........................................................................................................ 86
3.2.2. Ableitung des Kapazitätsbedarfs ............................................................................ 94
3.3. Kapazitätssteuerung bei der Leistungserbringung....................................................... 105
3.3.1. Disposition (Interne Steuerungsinstrumente) ....................................................... 106
3.3.2.Produkt- und Preisdifferenzierung (externe Steuerungsinstrumente).................... 113
3.4. Fazit ............................................................................................................................. 119

TEIL 2: EMPIRISCHE UNTERSUCHUNG.............................................................. 121

4. Empirische Studie und Problemkontext......................................................................... 123

4.1. Auswahl und Beschreibung der Studie ........................................................................ 123
4.2. Plausibilisierung der Thesen........................................................................................ 130
4.3. Fazit ............................................................................................................................. 140

5. Modellierung ..................................................................................................................... 142

5.1. Güterwagenbindung als Modellbasis........................................................................... 142
5.1.1. Modellansatz......................................................................................................... 143
5.1.2. Modell der Güterwagenstati................................................................................. 147
5.2. Ableitung des Kapazitätsbedarfs je Service-Level (Forschungsfrage 1)..................... 157
5.2.1. Definition von Wagenbedarf, Kapazität und Service-Level................................. 158
5.2.2. Nachfrageprognose mit Zeitreihenmodellen ........................................................ 164

5
 5.3. Simulation der Hebelwirkung (Forschungsfrage 2) .....................................................169
5.3.1. Ansatz zur Modellierung der Hebelfaktoren .........................................................169
5.3.2. Service Design.......................................................................................................171
5.3.3. Kapazitätssteuerung bei der Leistungserbringung ................................................176
5.4. Fazit..............................................................................................................................179

6. Testergebnisse....................................................................................................................181
6.1. Datenquellen.................................................................................................................181
6.2. Operationalisierung der Thesen ...................................................................................186
6.2.1. Thesen zu Forschungsfrage 1 ................................................................................186
6.2.2. Thesen zu Forschungsfrage 2 ................................................................................189
6.3. Kapazitätsbedarf je Service-Level (Forschungsfrage 1) ..............................................193
6.3.1. Ermittlung der Modell-Parameter .........................................................................193
6.3.2. Ergebnisse und Vergleich mit den Thesen ............................................................198
6.4. Simulation der Hebelwirkung (Forschungsfrage 2) .....................................................211
6.4.1. Messung der Hebelwirkung je Güterwagen-Status...............................................211
6.4.2. Vergleich der exogenen Faktoren .........................................................................222
6.5. Fazit..............................................................................................................................224

ZUSAMMENFASSUNG UND AUSBLICK .............................................................. 227

6
Abbildungsverzeichnis
Abbildung 1: Kausalmodell der Arbeit mit Forschungsfragen...................................................13
Abbildung 2: Inhaltlicher Aufbau der Arbeit .............................................................................14
Abbildung 3: Leistungstypologie nach Ergebnis- und Prozessdimension..................................22
Abbildung 4: Verteilung von Prüf-, Erfahrungs- und Vertrauenseigenschaften auf Güter
und Dienstleistungen ..................................................................................................................24
Abbildung 5: Dienstleistungseigenschaften und ihre Konsequenzen.........................................32
Abbildung 6: GAP-Konzept nach Corsten/Stuhlmann (1997) ...................................................36
Abbildung 7: Faktoren der Leistungserstellung nach Corsten, H. (1996) ..................................40
Abbildung 8: Prozessablauf des Eisenbahnprozesses.................................................................48
Abbildung 9: Beeinflussung des Kapazitätsbedarfs je Status.....................................................49
Abbildung 10: Voraussetzungen von Strukturstufen..................................................................51
Abbildung 11: Problemlösungsansätze und Problemstrukturierung. ........................................52
Abbildung 12: Klassifikation der für die Güterwagendisposition einsetzbaren
Heuristischen Verfahren. ............................................................................................................61
Abbildung 13: Klassifikation der für die Güterwagendisposition einsetzbaren
Simulationsansätze......................................................................................................................64
Abbildung 14: Beispielrechnung der Wirkung von Anpassungen der Bestellgröße an die
bisherige Nachfrage ....................................................................................................................83
Abbildung 15: Zeit-Raum-Netzwerk nach Beaujon/ Turnquist (1991) zur Modellierung
des Güterwageneinsatzes ............................................................................................................99
Abbildung 16: Lagermodell nach Du/Hall (1997)....................................................................102
Abbildung 17: Versand- und Empfangsstandorte von Shi-Transporten...................................126
Abbildung 18: Struktur und Prozess des Einzelwagensystems der DB Cargo AG ..................134
Abbildung 19: Dispositionsprozess der DB Cargo AG ............................................................137
Abbildung 20: Prozessdarstellung des Güterwagenumlaufs mit Stati 1-7 ...............................144
Abbildung 21: Beobachtbare Ereignisse im Güterwagenumlauf, die zur Berechnung der
Stati verwendet werden.............................................................................................................148
Abbildung 22: Aufteilung der Bindungsdauern in Tagesperioden am Beispiel von
Beladungen ...............................................................................................................................151
Abbildung 23: Schematische Darstellung des Zusammenhangs zwischen
Kapazitätsbedarf, Kapazitätsbestand und Service-Level..........................................................161
Abbildung 24: Saisonkomponente anhand der monatlichen Bestellzahlen 1/95-12/02 ...........195

7
Abbildung 25: Entwicklung der realisierten Nachfrage im Wochenverlauf............................ 198
Abbildung 26: Prognosegüte des Modells für den realisierten bzw. den
Gesamtwagenbedarf ................................................................................................................. 199
Abbildung 27: Gesamt- und realisierte Nachfrage in Tageswerten ......................................... 200
Abbildung 28: Wochenzyklus des Gesamtbedarfs in Zeitraum 20.-29. Woche 2002 ............. 201
Abbildung 29: Auswertung LWM einzelner Standorte: Eliminierung von
Schattenbestellungen................................................................................................................ 203
Abbildung 30: Mittlere Bindungsdauer beim Kunden im Wochenverlauf .............................. 204
Abbildung 31: Glatte Komponente der Gesamtnachfrage von Shi-Wagen im Zeitraum
1/95-12/02 ................................................................................................................................ 205
Abbildung 32: Zusammenhang zwischen glatter Komponente von Wagenbedarf und
Stahlproduktion ........................................................................................................................ 206
Abbildung 33: Zusammenhang zwischen Wagenbestellungen und Ausfällen je Monat
im Zeitraum 1/95-8/02 ............................................................................................................ 207
Abbildung 34: Gegenüberstellung von Monats- und Tageswerten des
Güterwagenbedarfs................................................................................................................... 208
Abbildung 35: Prognosewerte und Ist-Werte des täglichen Kapazitätsbedarfs ....................... 209
Abbildung 36: Transportlänge von Einzelwagentransporten gegenüber
Ganzzugtransporten.................................................................................................................. 212
Abbildung 37: Zusammenhang zwischen Einzelwagenanteil und Umlaufzeit je
Wagengattung........................................................................................................................... 213
Abbildung 38: Zusammenhang zwischen Zugfrequenz und Bindung beim Kunden .............. 214
Abbildung 39: Aufteilung der Güterwagenbindung beim Kunden.......................................... 215
Abbildung 40: Reduzierung der Bedarfsschwankungen über die größten 8
Versandstandorte durch zentrale Lagerung leerer Wagen ....................................................... 216
Abbildung 41: Zusammenhang zwischen Entfernung und mittlerer Transportdauer der
größten Shi-Lastläufe ............................................................................................................... 217
Abbildung 42: Aufteilung der Güterwagenversorgung ........................................................... 219
Abbildung 43: Verzerrung der Einnahmen/Wagentag durch Mehr-/Minderrückgaben .......... 221
Abbildung 44: Ablaufschema des Güterwagenumlaufs mit Stati 1-7...................................... 230

8
Tabellenverzeichnis
Tabelle 1: Arten und Implementationsformen der Preisdifferenzierung ....................................30
Tabelle 2: Überblick der Fragen je Kernprozess mit Bezug zu den Forschungsfragen. ............45
Tabelle 3: Arbeiten zu wissensbasierten Systemen in der Disposition des
Eisenbahnbetriebs .......................................................................................................................55
Tabelle 4: Überblick die je Kernprozess betrachteten Einzelfragen und Ihren Bezug zu
Forschungsfragen........................................................................................................................70
Tabelle 5: Kriterien nach dem Konzept der Verkehrswertigkeit von Voigt (1973) ...................72
Tabelle 6: Untersuchungen zur Nachfrageprognose im Eisenbahngüterverkehr .......................77
Tabelle 7: Ganzzuganteil und Wagenbedarf nach Keaton (1991) ..............................................89
Tabelle 8: Klassifikation von Kapazitätsableitungs-Modellen nach Turnquist/Jordan
(1986) und Beaujon/Turnquist (1991) ........................................................................................96
Tabelle 9: Klassifikation der Fleet-Sizing-Ansätze ....................................................................98
Tabelle 10: Zusammenhang zwischen Service-Level und Wagenbedarf nach der
Lagerhaltungsstudie von Du/Hall (1997) .................................................................................104
Tabelle 11: In der Literatur berichtete Einspareffekte der Dispositionsmechanismen.............108
Tabelle 12: Vergleich Rahmenbedingungen des Yield Management in der Luftfahrt
gegenüber dem Schienengütertransport....................................................................................117
Tabelle 13: Zuordnung von Güterwagen zu Stati anhand registrierter Wagenmeldungen.......149
Tabelle 14: Zuordnung endogener Einflussfakturen der Güterwagennachfrage zu Stati .........171
Tabelle 15: Daten aus dem Leerwagenmanagement (LWM) ...................................................183
Tabelle 16: Daten der Güterwagenstückkontrolle (Überwachung der Wagen b. Kunden) ......185
Tabelle 17: Operationalisierte Thesen zur Forschungsfrage 1 .................................................189
Tabelle 18: Beispielrechnung zum Gesamtgewicht der Hebelfaktoren (fiktive Zahlen) .........190
Tabelle 19: Thesen zu den einzelnen Hebelfaktoren auf den Güterwagenbedarf ....................193
Tabelle 20: Wagenbindung zur Erfüllung nicht befriedigter Nachfrage ..................................198
Tabelle 21: Kapazitätsbedarf zur Erzielung verschiedener Service-Level ...............................201
Tabelle 22: Schwankung der nachfragebedingten Güterwagenbindung auf Tages-,
Wochen- und Monatsniveau .....................................................................................................202
Tabelle 23: Prognose und Ist-Werte der einzelnen Thesen ......................................................210
Tabelle 24: Aufteilung der Güterwagenversorgung in „Lagerbezogene“ und „Leerlauf-
bezogene“ Komponenten..........................................................................................................218
Tabelle 25: Einfluss der exogenen Hebel auf die Güterwagen-Stati ........................................223
Tabelle 26: Vergleich der exogenen Faktoren ..........................................................................224

9
Einleitung
Die optimale Beschäftigung von Güterwagen ist eine der wichtigsten Aufgaben im Ei-
senbahngüterverkehr:
- Die Güterwagenflotte stellt neben den Triebfahrzeugen und ggfs. der Infrastruk-
tur den größten Kapitaleinsatz von Eisenbahnverkehrsunternehmen dar1. Auf
Güterwagen entfallen je nach Verkehrsstruktur 20-30 % der betrieblichen Kos-
ten. Die Wagenumlaufzeit stellt daher einen der größten Hebel auf die Ressour-
cenproduktivität der Eisenbahnen dar.
- Der stark schwankende Bedarf an Güterwagenressourcen zur Bewältigung einer
definierten Anzahl von Transporten stellt eine wichtige Markteintrittsbarriere für
potenzielle Wettbewerber dar. Erst ab einer kritischen Masse von Güterwagen
können Beschäftigungsschwankungen über mehrere Verkehre ausgeglichen
werden2.
- Für Kunden ist die Sicherheit der Güterwagenversorgung ein zentrales Quali-
tätskriterium, da angesichts der transportierten Mengen eine kurzfristige Umstel-
lung auf andere Verkehrsträger oft Probleme bereitet.

Die Disposition von Güterwagen, d.h. das optimale Zuordnen von leeren Wagen zu Be-
stellungen, gehört zu den am meisten erforschten Gebieten der Operations Research3.
Obwohl die Disposition nur einen Teil des Güterwagenmanagements ausmacht, wurden
in den letzten 30 Jahren hunderte von Arbeiten zur mathematischen Optimierung der
Dispositionsaufgaben verfasst. Während der methodische Fortschritt im Bereich der
Dispositionsalgorithmen über die letzten 20 Jahre immens war, bestehen nach wie vor
Lücken im Verständnis der Güterwagenproduktivität. Vergleichsweise selten wurden
empirische Studien durchgeführt zu den Modellannahmen, zum tatsächlichen Kapazi-
tätsbedarf einer konkreten Güterwagenflotte sowie zum Vergleich der verschiedenen
Hebeln des Güterwagenmanagements4:

1
Vgl.Bojovic, N. J. (2002), S. 136
2
Dies ist auch der Hauptgrund, warum der Markteintritt von Schienenwettbewerbern im Zeitraum 1997-
2002 vor allem im Bereich der Privatwagenverkehre erfolgte; hier verfügt der Versender bereits über das
Wagenmaterial, so dass ein Wettbewerber nur die Traktion bereitstellen muss.
3
Vgl. Reviews von Golden, B. L.; Assad, A. A. (1986) und Dejax, P. J. ; Crainic, T. G. (1987).
4
Vgl.Bojovic, N. J. (2002), S. 137

11
 - Modellannahmen: Die Umsetzung von Dispositionsverfahren erfordert massive
Eingriffe in die bestehenden betrieblichen Prozesse. Die Strukturvoraussetzun-
gen der mathematischen Modelle wurden selten anhand von Studien geprüft.
- Kapazitätsbedarf in Abhängigkeit des Service-Levels: Je größere Nachfrage-
schwankungen auftreten, desto geringer ist ceteris paribus die Güterwagenpro-
duktivität. Nur Kapazitätsbedarfsrechnungen auf Basis empirisch erhobener
Nachfrageschwankungen und Bindungsschwankungen machen daher Sinn. Die
Verwendung von Durchschnittsbedarfen mehrerer Tage oder Wochen in ma-
thematischen Modellen führt zur signifikanten Unterschätzung der notwendigen
Flottengröße. Es bestehen u.E. keine empirische Arbeiten zur Aufkommensver-
teilung im Eisenbahngüterverkehr auf Tagesbasis5.
- Hebel des Güterwagenmanagements: Neben der Disposition haben auch die be-
trieblichen Prozesse (Service-Design) und die Produkt-/Preisdifferenzierung
maßgeblichen Einfluss auf Güterwagenproduktivität. Diese Hebel wurden nur
selten und vereinzelt untersucht; es besteht kein übergreifender Vergleich der
Wirkungen.

Die bisherige Forschung im Bereich der Dispositionsmodelle bietet daher weniger Er-
kenntnisgewinn für das Güterwagenmanagement, als es sein könnte. Ein Grund für die
bisherige Ausrichtung der Forschungsarbeiten sind die fehlenden Datengrundlagen für
Untersuchungen der Leerlaufbewegungen. Bis 2002 konnte z.B. die Deutsche Bahn AG
als größte europäische Eisenbahn umfassend lediglich die Last- und Leerlauf-km in
Summe je Güterwagen ermitteln, nicht jedoch die einzelnen Wagenbewegungen DV-
gestützt auswerten. Die manuelle Auswertungen der Produktionsdaten ist vor dem Hin-
tergrund des Datenumfangs nicht wirtschaftlich. Die gleiche Situation ergibt sich für
fast alle größeren europäischen Eisenbahnverkehrsunternehmen, was an der z.T. veralte-
ten DV-Struktur der Unternehmen liegt. Im Zeitraum 1999-2002 wurde allerdings durch
ein DV-Projekt der Deutschen Bahn AG eine Datenbank geschaffen, in der alle tägli-
chen Wagenbewegungen über längere Zeiträume gespeichert und statistisch ausgewertet
werden können. Damit liegt europaweit zum ersten Mal eine verwertbare Datengrund-
lage für empirische Untersuchung des Güterwagenmanagements vor.

5
Crainic, T. G.; Laporte, G. (1997), S. 431

12
Die vorliegende Arbeit versucht, auf Basis dieser Datengrundlage die o.g. Forschungs-
lücke zu schließen. In einer Studie zum Güterwagenmanagement der Deutschen Bahn
AG werden folgende Fragen empirisch geprüft (vgl. Abbildung 1):
Forschungsfrage 1: „Wie viel Wagenkapazitäten benötigt man angesichts gegebener
Kundennachfrage, um ein bestimmtes Service-Level zu erreichen?“
Forschungsfrage 2: „Welche der beeinflussbaren Rahmenbedingungen haben den
größten Hebel auf dieses Verhältnis von Wagenkapazitäten zu Service-Leveln?“

Ist-
K
(Größei der b d
Beeinflussbar
Rahmenbedingung

Frage Service
2

Nachfrage der
Frage Benötigter
Quantitativ: 1 Kapazitätsbestan
Qualitativ: Zeitliche d
(Größe der

Abbildung 1: Kausalmodell der Arbeit mit Forschungsfragen6

Im Rahmen dieser Arbeit werden die zu den Forschungsfragen in der Literatur beste-
henden Erkenntnisse analysiert und eigenen Thesen gegenübergestellt. Diese Thesen
werden anschließen in einer empirischen Studie geprüft. Die Studie bezieht sich auf das
Güterwagenmanagement der Deutschen Bahn AG und umfasst eine komplette Güter-
wagenflotte von 4000 Wagen. Die Wagen werden zum Zweck der Coiltransporte der
Stahlindustrie eingesetzt.

Angesichts der Fülle bestehender Forschungsarbeiten und der interdisziplinären Natur

des Güterwagenmanagements ist diese Aufgabenstellung in zwei Richtungen klar abzu-
grenzen:
- Da die zugrunde liegende Technologie nicht die Ursache für Auslastungsprob-
leme der Güterwagen darstellt, wird sie in der Arbeit nicht berücksichtigt. „It is
noteworthy that even if the railroad had perfect technology, only 30 % of the de-
lays would disappear; 65 % of the delays require better management of re-

6
Quelle: Eigene Darstellung

13
 sources (terminal management, train management, and power distribution)”7.
Ebenfalls nicht betrachtet werden Optimierungsmöglichkeiten der zugrundelie-
genden Eisenbahnbetriebsprozesse wie Rangieren, Traktion etc.
- Es werden keine neuen Dispositionsalgorithmen entwickelt, sondern die Wir-
kung verschiedener Hebelfaktoren des Güterwagenmanagements werden vergli-
chen. Es wird nicht die optimale Konstellation der Hebelfaktoren ermittelt, son-
dern lediglich die relative Hebelwirkungen der einzelnen Faktoren.

Die Arbeit teilt sich in folgende inhaltliche Abschnitte auf (vgl. Abbildung 2):

Theoretischer
T il
Besonderheiten Anpassung Methodik
Dienstleistungsmanageme: Dienstleistungseigenschaft
- Def.merkmal u. - Beschreibung
- Kernprozesse Güterwagenmg - Ermittlung

Kernprozesse Güterwagenmanageme in der

- Auswertung der Literatur zu den
f von Thesen zu den
- Aufstellung
f

Empirischer
T il
Empirische Studie und

Modellentwicklun

Testergebnis

Abbildung 2: Inhaltlicher Aufbau der Arbeit8

- Abschnitt 1 (Besonderheiten des Dienstleistungsmanagements): In Abschnitt 1

werden zunächst die Auswirkungen der Dienstleistungseigenschaften auf das
Güterwagenmanagement ermittelt. Anschließend werden die drei Kernprozes-
ses des Güterwagenmanagements dargestellt: Planung, Kapazitätsableitung und
–steuerung.
- Abschnitt 2 (Anpassung der Untersuchungsmethodik an die Dienstleistungsei-
genschaften): In Abschnitt 2 wird zunächst das Forschungsdesign der Arbeit

7
Martland, C. D. (1993), S. 13
8
Quelle: Eigene Darstellung

14
 dargestellt. Unter Berücksichtigung der Dienstleistungseigenschaften werden die
hierfür geeigneten quantitativen Planungsmethoden ermittelt.
- Abschnitt 3 (Kernprozesse des Güterwagenmanagements in der Literatur): In
Abschnitt 3 wird die relevante Forschung zu den Kernprozessen des Güterwa-
genmanagements gesichtet. Die bestehenden Erkenntnisse werden einer kriti-
schen Prüfung unterzogen, eigene Thesen werden dem gegenübergestellt.
- Abschnitt 4 (Empirische Studie und Problemkontext): In Abschnitt 4 wird zu-
nächst die Auswahl der empirischen Studie begründet und der spezifische Prob-
lemkontext beschrieben (Veränderungen des Güterwagenmanagements der
Deutschen Bahn AG im Verlauf der Bahnreform). Anschließend werden die in
Abschnitt 3 aufgestellten Thesen einer ersten qualitativen Plausibilitätsprüfung
unterworfen.
- Abschnitt 5 (Modellentwicklung): Basierend auf dem Forschungsdesign aus Ab-
schnitt 2 wird ein Modell zur Darstellung des Güterwageneinsatzes entwickelt.
Anhand dieses Modells können Güterwagenbedarf und Service-Level modelliert
und prognostiziert werden (Forschungsfrage1). Das Modell wird anschließend
zur Abbildung der Ex-ante Wirkung von
o Service-Design
o Disposition
o Produkt- und Preisdifferenzierung
auf den Güterwagenbedarf weiterentwickelt (Forschungsfrage 2).
- Abschnitt 6 (Testergebnisse): Die zu beiden Forschungsfragen in Abschnitt 3
aufgestellten Thesen werden anhand der Modellgrößen aus Abschnitt 5 operati-
onalisiert. Die Thesen werden im Rahmen einer empirischen Untersuchung der
Deutschen Bahn AG getestet.
- Abschnitt 7 (Zusammenfassung und Ausblick): Die Ergebnisse der Abschnitt 1-
6 werden zusammengefasst. Die Auswirkungen für Theorie und Praxis des Gü-
terwagenmanagements werden herausgearbeitet.

15
Teil 1 - Theorie
Im ersten Teil der Arbeit werden die theoretischen Grundlagen des Güterwagenmana-
gements entwickelt und Thesen für die Forschungsfragen 1 und 2 entwickelt.
- Abschnitt 1: Da es sich beim Schienengüterverkehr um eine Dienstleistung handelt,
müssen bei der Untersuchung des Güterwagenmanagements die Besonderheiten der
Dienstleistungsproduktion berücksichtigt werden. Zur Gliederung der Untersuchung
werden danach die Kernprozesse des Güterwagenmanagements dargestellt (Pla-
nung, Kapazitätsableitung und –Steuerung) und die Forschungsfragen in Einzel-
probleme aufgeteilt.
- Abschnitt 2: Für diese Einzelprobleme werden dann die geeigneten Untersuchungs-
methoden bestimmt. Anhand eines Ablaufschemas des Güterwageneinsatzes wird
die Problemstellung dieser Arbeit in vier Teilprobleme unterteilt. Die bestehenden
Methoden der normativen Entscheidungstheorie werden nach ihrer Eignung zur Lö-
sung dieser Teilprobleme untersucht.
- Abschnitt 3: Es wird die relevante Literatur nach Aussagen zu den beiden For-
schungsfragen ausgewertet:
o Wie viel Wagenkapazitäten benötigt man angesichts gegebener Kunden-
nachfrage, um ein bestimmtes Service-Level zu erreichen?
o Welche der beeinflussbaren Rahmenbedingungen haben den größten
Hebel auf dieses Verhältnis von Wagenkapazitäten zu Service-Leveln?
Basierend hierauf werden eigene Thesen dazu entwickelt. Dies erfolgt jeweils ge-
trennt für die in Abschnitt 2 ermittelten Kernprozesse des Güterwagenmanagements
(Planung, Kapazitätsableitung und –Steuerung).

16
1. Besonderheiten des Dienstleistungsmanagements
In Abschnitt 1 werden die Besonderheiten des Dienstleistungsmanagements und deren
Konsequenzen für das Güterwagenmanagement aufgezeigt.
- Abschnitt 1.1.: Die Grundlagen des Güterwagenmanagements werden gelegt durch
Ermittlung der Besonderheiten des Dienstleistungsmanagements.
- Abschnitt 1.2.: Die Kernprozesse des Güterwagenmanagements als Kapazitätssteue-
rung in Dienstleistungsunternehmen werden beschrieben.

1.1 Grundlagen des Güterwagenmanagements

Zur Ermittlung der Besonderheiten werden die in der Literatur bestehenden

Dienstleistungs-Definitionsansätze auf Trennschärfe gegenüber den Gütern analysiert
(Abschnitt 1.1.1.). Für diese ermittelten Wesensmerkmale werden anschließend die
Auswirkungen auf die internen und externen Komponenten des Dienstleistungsmana-
gements untersucht (Abschnitt 1.1.2.).

1.1.1. Definitionsansätze des Dienstleistungsbegriffs

Der Begriff „Dienstleistung“ stellt ein theoretisches Konstrukt dar, das bestimmte beob-
achtbare Sachverhalte beschreiben soll9. Die verschiedenen in der Literatur entwickelten
Begriffsabgrenzungen können daher lediglich nach der Zweckmäßigkeit, nicht in die
Kategorien „wahr“/“falsch“ eingeteilt werden. Drei Ansätze zur Beschreibung von
Dienstleistungen können grundsätzlich unterschieden werden10:
1. Aufzählung von Dienstleistungs-Beispielen bzw. von Unternehmen, Branchen oder
Sektoren (Tertiärer Sektor) welche Dienstleistungen erzeugen. Der Nachteil der
Beispiele besteht in der mangelnden Abstraktion der Unterscheidungskriterien. Die
Aufzählung von Branchen und Unternehmen kann letztlich nicht exakt zwischen
Dienstleistungen und Sachleistungen trennen, da oft beides in der gleichen Branche
parallel erstellt und vertrieben wird. Auf diese Begriffsabgrenzungen wird daher im
weiteren verzichtet.

9
Vgl. Rück, H. R.G. (1995), S. 4
10
Vgl. Corsten, H. (1990), S. 17

17
2. Beschreibung durch Abgrenzung von Sachleistungen (Negativdefinition). Da diese
Abgrenzung auf die wesenbestimmenden Merkmale von Sachleistungen anstelle
von Dienstleistungen zurückgreift, wird auf diesen Ansatz nicht weiter eingegangen.
3. Beschreibung durch Herausarbeiten wesensbestimmender Merkmale von Dienstleis-
tungen. Hierbei wird nach Hilke zwischen ergebnisorientierten, potenzialorientier-
ten und prozessorientierten Definitionen unterschieden11.

Ergebnisorientierter Ansatz
Der ergebnisorientierte Ansatz bezeichnet als Dienstleistung das (immaterielle) Ergeb-
nis des Dienstleistungsprozesses, welches sich an der Veränderung des externen Faktors
zeigt12. Maleri (1970) definiert Dienstleistungen nach diesem Ansatz als „(...) für den
Absatz produzierte immaterielle Wirtschaftsgüter“13. Problematisch ist hierbei die Ein-
grenzung auf diejenigen Dienstleistungen, welche für den (unternehmensexternen)
Markt erstellt werden. Der ergebnisorientierte Ansatz sieht in der Immaterialität der
Dienstleistung das wichtigste Wesensmerkmal, und steht damit auch dem Sprach-
gebrauch am nächsten. Diese einfachste Erklärung der spezifischen Eigenschaften von
Dienstleistungen geht letztlich auf Say (1876) zurück14. Eine ganze Reihe übriger
Dienstleistungsmerkmalen der Literatur lassen sich letztlich auf die Immaterialität zu-
rückführen15:
- Flüchtigkeit/Keine Lagerfähigkeit
- Fehlende Eigentumsübertragung
- Individualität
- Simultanität von Produktion, Absatz und Verbrauch (Uno-actu-These)

Die Definition von Dienstleistungen als letztlich immaterielle Leistungen ist allerdings
problematisch. Zahlreiche Dienstleistungen erzeugen eindeutig materielle Ergebnisse in
Form veränderter externer Faktoren . Der Umfang der materiellen bzw. immateriellen
Anteile des Leistungsergebnisses kann letztlich nicht wirksam gemessen werden bzw.
hängt stark von der individuellen Wahrnehmung des Leistungsnehmers ab16. Bo-
de/Zelewski (1992) heben deswegen auf die Unmöglichkeit einer rein immateriellen

11
Vgl. Hilke, W. (1984), S. 10
12
Vgl. Corsten, H. (1990), S. 19
13
Maleri, R. (1970), S. 5
14
Say, J.-B. (1876), 130ff.
15
Vgl. Engelhardt, W. H. (1989), S. 278f.
16
Vgl. Woratschek, H. (1996), S. 60

18
Dienstleistung ab. Reine Dienstleistungen können reinen Sachleistungen nicht gegen-
übergestellt werden, sondern nur Kombinationen von Sachleistungen mit der Eigenleis-
tung des Bedürfnisträgers17. Problematisch ist weiter das Auftreten von materiellen Trä-
germedien wie Papier, Disketten, CD-ROM etc.. Die Dienstleistung „manifestiert sich
somit auf einer Trägersubstanz, die dann Objekt für weitere Dienstleistungen werden
kann. Sie stellen gleichzeitig die Basis für die Verbreitung der Leistung dar“18.

Am geeignetsten erscheint daher die Betrachtung der Immaterialität als Eigenschafts-

Kontinuum, auf dem einzelne Sach- und Dienstleistungen in ihren einzelnen Elementen
zugeordnet werden. Auf einem derartigen Kontinuum weisen Dienstleistungen schwer-
punktmäßig höhere Anteile immaterieller Elemente auf als Sachleistungen19. Eine
trennscharfe Unterscheidung von Sach- und Dienstleistungen ist daher mit dem ergeb-
nisorientierten Definitionsansatz nicht leistbar.

Potenzialorientierter Definitionsansatz
Nach potenzialorientierten Definitionsansätzen stellen Dienstleistungsunternehmen in
erster Linie ein Leistungsversprechen bereit und kein fertiges Produkt20. Die
immaterielle Dienstleistung kann selbst nicht gelagert werden und wird direkt am
Kunden bzw. einem von ihm gewählten Objekt ausgeführt. Beides wird in der Literatur
als „externer Faktor“ bezeichnet, der in die Dienstleistungserstellung integriert wird.
Der Verkauf der Dienstleistung erfolgt i.d.R. vor dem Leistungserstellungsprozess; der
Kunde kann sich vor Inanspruchnahme kein Qualitätsurteil bilden21. Daher sind
Dienstleistungen durch ein relativ hohes Kaufrisiko ausgezeichnet und sind meistens
Erfahrungsgüter22. Der potenzialorientierte Ansatz sieht damit sowohl der
Immaterialität der Dienstleistung (daher keine Lagerfähigkeit) als auch die Integration
des Externen Faktors (die erst den Leistungsprozess anstößt) die Kerneigenschaften von
Dienstleistungen.
Ein Kritikpunkt dieses Definitionsansatzes bezieht sich auf die Möglichkeiten zur Stan-
dardisierung von Dienstleistungen bzw. dem Einsatz von Trägermedien für Software.

17
Vgl. Bode, J.; Zelewski, S. (1992), S. 598
18
Corsten, H. (1997), S. 22
19
Vgl. Shostack, G. L. (1982), S. 93f.; Hilke, W. (1989), S. 8;
20
Vgl. Meyer, A. (1984), S. 198f.; Meffert, H. (1984), S. 3
21
Vgl. Levitt, T. (1981), S. 96
22
Vgl. Benkenstein, M. (1993), S. 1095; Stauss, B. (1994), S. 236

19
Hier werden große Teile des Leistungsergebnisses vorab produziert bzw. definiert und
ähneln insofern stärker den Sachleistungen23.

Prozessorientierter Ansatz
Prozessorientierte Definitionsansätze sehen in der engen Interaktion zwischen Anbieter
und Nachfrager (als externem Faktor) im Erstellungsprozess ein wesentliches Merkmal
von Dienstleistungen24. Als externe Faktoren werden dabei solche (Produktions-
)Faktoren verstanden, „die vom Nachfrager der Leistung zur Verfügung gestellt werden
(müssen) und an denen oder mit denen eine Leistung erbracht wird“25. Sie befinden sich
im Gegensatz zu den Produktionsfaktoren der Betriebslehre nicht in der Verfügungsge-
walt des Anbieters und werden daher als extern bezeichnet. Zu den externen Faktoren
können nicht nur die Person des Kunden oder Sachobjekte gehören, sondern auch
Rechte und Informationen aus dem Verfügungsbereich des Kunden. Unterschieden
werden i.d.R. Personen, Objekte (und Tiere/Pflanzen), Rechte, Nominalgüter und In-
formationen als externe Faktoren. Alle externen Faktoren sind allerdings grundsätzlich
mit Informationen für den Anbieter verbunden und sind „Trägermedien“ für die Infor-
mationsversorgung. Informationen spielen daher eine zentrale Rolle bei der Integration
externer Faktoren.

Dienstleistungsprozesse bestehen nach dem prozessorientierten Ansatz dann, wenn ex-

terne Faktoren eines Nachfragers mit dem Leistungspotenzial eines Anbieters kombi-
niert werden26. Das Zusammenfallen von Produktion und Absatz bei Dienstleistungen
wird mit der „uno-actu-These“ beschrieben.

Kritikpunkte dieses Definitionsansatzes setzen an der Gleichsetzung von Integration

externer Faktoren und Dienstleistungsprozess an27. Zu Ende gedacht, würde nach dem
prozessorientierten Ansatz jede kundenindividuell erstellte Leistung eine Dienstleistung
sein, ungeachtet der Materialität des Leistungsergebnisses (z.B. ein spezialangefertigtes
Automobil). Daher ist als zusätzliches Kriterium die Immaterialität der Dienstleistung

23
Vgl. Meyer, A. (1994), S. 36ff.
24
Vgl. Berekoven, L. (1974), S. 29
25
Kleinenaltkamp, M. (2001), S. 36; Einzelne Autoren bezeichnen diese auch als „Fremdfaktoren“ (vgl.
Berekoven, L. (1974), S. 59 und „Objektfaktoren“ (vgl. Kern, W. (1976), S. 760).
26
Vgl. Engelhardt, W. H. (1989), S. 278; Maleri, R. (1994), S. 84
27
Vgl. Kleinenaltkamp, M. (1993), S. 52ff.

20
nicht auszuschließen, worauf insbesondere der ergebnisorientierte Definitionsansatz
abhebt.

Fazit
Die o.g. drei Definitionsansätze bieten letztlich keine trennscharfe Abgrenzung von
Sach- und Dienstleistungen. In der Literatur wird daher häufig die Verwendung eines
Kontinuums bzgl. der Integration eines externen Faktors und der Materialität einer Leis-
tung empfohlen28. Nach Engelhardt (1966) liegt die Abgrenzungsproblematik außerdem
in der unterschiedlichen Betrachtungsperspektive der Begriffe „Sachleistung“ und
„Dienstleistung“. Während der Begriff „Sachleistung“ ausdrückt, dass das Leistungser-
gebnis eine Sache ist, bezieht sich der Begriff „Dienstleistung“ auf den dienenden Leis-
tungsprozess, d.h. die Integration des externen Faktors. Eine sprachliche Gegenüberstel-
lung -wiewohl üblich – ist daher letztlich nicht zulässig29. Die Produkte eines Unter-
nehmens stellen demnach immer Leistungsbündel dar, wobei nur deren Teilleistungen
nach den Kriterien materiell/immateriell unterschieden werden können.

Zur Vermeidung der sprachlichen Gegenüberstellung von Sach- und Dienstleistungen

sowie der dichotomen Darstellung von Materialität und Integration des externen Faktors
haben Engelhardt et al. (1993) eine Leistungstypologie mit einer Prozess- und einer
Ergebnisdimension erstellt30. Abbildung 3 stellt die Typologie dar mit vier eingeordne-
ten Beispielfällen. Innerhalb dieser Taxonomie von Engelhardt et al. entspräche der
Schienengüterverkehr sicherlich der Kategorie I. Die Integration des externen Faktors
spielt eine zentrale Rolle im Leistungserstellungsprozess. Das Leistungsergebnis ist als
Raumveränderung bestimmter Güter dennoch immateriell.

28
Vgl. Hilke, W. (1989), S. 8, Shostack, G. L. (1977), S. 74f.
29
Vgl. Engelhardt, W. H. (1966), S. 160
30
Vgl. Engelhardt et al. (1993), S. 416-417

21
 Integrativ Sonder- Unterne -
maschin mensberatun
h
Leistung
II I
als
Prozes
III IV
Vorprodu- Datenban-
Autonom ziertes k dienst
T il
Prozes-
dimensio Materiell

Ergebni- Immateriel
dimensio l
Leistung als
E b i
Abbildung 3: Leistungstypologie nach Ergebnis- und Prozessdimension31

Anhand der Leistungstypologie nach Engelhardt et al. (1993) lassen sich die drei o.g.
Definitionsansätze letztlich auf zwei Kerneigenschaften zurückführen, der Immateriali-
tät (auch als Intangibilität bezeichnet) und der Integration des Externen Faktors32. Die
übrigen Eigenschaften von Dienstleistungen (geringe Leistungstiefe, Individualität der
Nachfrage, Qualitätsschwankungen etc.) sind abgeleiteter Natur. Die Auswirkungen
dieser Kerneigenschaften auf die Dienstleistungserstellung und damit das Güterwagen-
management werden im nächsten Abschnitt untersucht.

1.1.2. Auswirkungen auf das Güterwagenmanagement

Immaterialität und seine Auswirkungen

Die Immaterialität von Dienstleistungen wird in der Literatur von allen Merkmalen am
häufigsten genannt, obwohl diese Besonderheit alleine Dienstleistungen noch nicht von
Produkten abgrenzt33. Auf die Immaterialität werden insbesondere zurückgeführt34:
- Flüchtigkeit/mangelnde Lagerbarkeit
- Individualität/mangelnde Messbarkeit
- Simultaneität von Produktion und Absatz
- Fehlende Eigentumsübertragung

31
Quelle: Engelhardt et al. (1993), S. 416
32
Vgl. Corsten, H. (1996), S. 161ff.
33
Vgl. Corsten, H. (1986a), S. 17
34
Vgl. Engelhardt, W. H. (1989), S. 278f.; Kleinenaltkamp, M. (2001), S. 33

22
 - Mangelnde Leistungstiefe.
Die für das Güterwagenmanagement wichtigen Konsequenzen sind mangelnde Lager-
fähigkeit und schlechte Messbarkeit/Intransparenz von Leistungserstellung und Leis-
tungsergebnis.

Mangelnde Lagerbarkeit
Extern hat die mangelnde Lagerfähigkeit zur Folge, dass dem Nachfrager gegenüber
letztlich ein Leistungsversprechen verkauft wird. Die Leistungserstellung erfolgt erst
mit dem Absatz. Der in Industriebetrieben übliche Prozess Beschaffung – Produktion –
Absatz wird daher modifiziert zu Beschaffung – Absatz/Produktion bzw. zu der Ex-
tremform Absatz – Beschaffung – Produktion35. Der Bereitstellungsnutzen der Dienst-
leistung stellt eine eigenständige Qualitätsdimension dar36. Der Güterwagengestellung
als erstem Glied in der Prozesskette Transportabwicklung kommt daher eine eigene
Bedeutung als Qualitätskriterium zu.

Intern hat die mangelnde Lagerfähigkeit erstens zur Folge, dass eine Trennung von in-
determinierten und determinierten Bereichen vorgenommen werden muss. In determi-
nierten Bereichen sind Input, Throughput und Output festgelegt, so dass die Faktor-
kombination in ihrer Produktivität bestimmbar ist. Dies gilt für alle betrieblichen Pro-
zesse des Güterwagenmanagements. Für indeterminierte Bereiche steht die Produktivi-
tät der Faktorkombination nicht fest, so auch für die administrativen Aspekte des Gü-
terwagenmanagements (Call-Center-Funktionen, Systemadministration etc.).

Zweitens müssen mangels Lagerbestände unabhängig von der aktuellen Nachfrage Ka-
pazitäten vorgehalten werden. Die Kapazitätsvorhaltung stellt eine einer Vorkombinati-
on der Produktionsfaktoren dar ohne Integration des externen Faktors. Zusammen mit
der Dominanz der Potenzialfaktoren gegenüber den Verbrauchsfaktoren führt diese
„spekulative Produktion“ zum Fixkosten-Problem, dass letztlich Kennzeichen der
Dienstleistungsbranche ist. Die variablen betrieblichen Kosten des Güterwagenmana-
gements für eine weitere Güterwagenbewegung sind daher vernachlässigbar gegenüber
den fixen Personal- und Kapitalkosten. Für die Kostenträgerrechnung bedeutet dies die
besondere Notwendigkeit zur (zeit-)verbrauchsorientierten Schlüsselung der Potenzial-
faktoren (d.h. Güterwagen) auf die Kostenträger.

35
Corsten, H. (2001), S. 62

23
Mangelnde Messbarkeit
Extern erzeugt die schlechte Messbarkeit von Dienstleistungsprozessen und ihrer Er-
gebnisse Unsicherheit beim Käufer. Um die Qualität der Dienstleistung darzustellen,
müssen Dienstleistungsanbieter für die immaterielle Leistung materielle Ausdrucksfor-
men finden37. Zeithaml (1981) hat auf Basis einer empirischen Untersuchung der Be-
wertungsprozesse von Konsumenten einzelne Güter und Dienstleistungen nach dem
Schwierigkeitsgrad ihrer Qualitätsbewertung durch den Kunden dargestellt (Abbildung
4) 38:

Großteil Großteil
der materiellen Güter der Dienstleistungen
Restaurants
Häuser

Kinder-

Fernseh-

Zahnwurzel-
Bekleidung

Schmuck

betreuung

reparaturen

behandlung
Rechtsberatung

reparaturen

Diagnosen
Autos

Reisebüros
Möbel

Friseure

Auto-

Ärztliche

Prüfqualitäten Erfahrungs- Vertrauens-

überwiegen qualitäten qualitäten
überwiegen überwiegen

Abbildung 4: Verteilung von Prüf-, Erfahrungs- und Vertrauenseigenschaften auf Güter

und Dienstleistungen 39

- Als Prüfqualitäten werden Eigenschaften bezeichnet, die bereits vor dem Kauf durch
den Kunden eingeschätzt werden können. Sie beziehen sich ausschließlich auf Güter.
- Erfahrungsqualitäten, d.h. Qualitätsdimensionen, die der Kunde erst nach dem Kauf
beurteilen kann, bestehen für einige Güter und Dienstleistungen.
- Vertrauensqualitäten, die der Kunde sogar nach Kauf und Nutzung schlecht bis über-
haupt nicht beurteilen kann, bestehen ausschließlich für Dienstleistungen.

Insgesamt überwiegen bei den Dienstleistungen die Erfahrungs- und Vertrauensqualitä-

ten deutlich, weswegen das empfundene Kaufrisiko deutlich höher ist als bei materiel-

36
Vgl. Maleri, R. (1994), S. 216
37
Vgl. Levitt, T. (1981), S. 94; Berry, L. (1980), S. 24
38
Vgl. Zeithaml, V. A. (1981), S. 186
39
Quelle: Zeithaml, V. A. (1981), S. 186

24
len Produkten (sogenannte „Informationsarmut“ von Dienstleistungen). Daraus ergeben
sich mehrere Konsequenzen für das Marketing40:
- Kunden lassen sich eher von Mundpropaganda denn von Werbung informieren.
- Die Wahrnehmung der Dienstleistungsqualität orientiert sich mangels klarer Infor-
mationen stark am Preis, am Erscheinungsbild, der Qualifikation des Service-
Personals sowie materiellen Äußerlichkeiten im Dienstleistungsprozess41. Daraus
ergibt sich einerseits die höhere Notwendigkeit zur Nutzung des Personals mit
direktem Kundenkontakt im Rahmen der Kommunikationspolitik. Andererseits
bieten sich dadurch Chancen zur Heterogenisierung von homogenen Produkten, d.h.
die Aufteilung relativ ähnlicher Leistungen in verschiedene Preisklassen zur
Preisdifferenzierung.
- Zufriedene Kunden von Dienstleistungsanbietern zeichnen sich durch vergleichs-
weise hohe Treue aus, da die Unsicherheit beim Wechsel höher als bei Produkten
wahrgenommen wird.

Intern ergibt sich aus der schlechten Messbarkeit von Dienstleistungen die Problematik,
die eigene Dienstleistungsqualität zu erfassen und steuern. Einerseits können die zur
Messung von Sachleistungsqualität verwendeten merkmalorientierten Ansätze erweitert
werden42. Auf der anderen Seite eignet sich im Gegensatz zum Sachgüter-Marketing
die ereignisorientierte Messung (Critical-Incident-Methode)43. Im Fall des Güterwa-
genmanagements ist zwar der Anteil nicht rechtzeitig erfüllter Güterwagenbestellungen
messbar. Das genaue Ausmaß der Güterwagenbindung durch die Transporte eines Kun-
den ist hingegen nur sehr schwer zu ermitteln. Im Bereich der Kostenträgerrechnung
verschärfen sich daher die o.g. Probleme der verbrauchsgerechten Kostenzuscheidung.
Im Bereich der Dienstleistungsproduktion stellt die Problematik der Outputmessung
besondere Anforderungen an die Ermittlung der Produktivität. Grundsätzlich empfiehlt
es sich, die Produktivität des determinierten Bereichs (messbar: Güterwagenumlaufzeit)
von der Produktivität des indeterminierten Bereichs (schlecht messbar: Bestellungen je
Call-Center Mitarbeiter ) zu trennen.

40
Vgl. Kotler, P. (1999), S. 730
41
Die von Zeithaml et al. (1992) per Kundenbefragung bestimmten Dimensionen der Dienstleistungsqua-
lität mit ihrer relativen Bedeutung sind Zuverlässigkeit (32%), Entgegenkommen (22 %), Souveränität
(19%), Einfühlung(16 %) und Materielles Erscheinungsbild (11 %).
42
Vgl. Hierzu den Ansatz von Parasuraman et al. (1985).
43
Vgl. Hentschel, B. (1992), S. 155f.

25
Integration des externen Faktors und seine Auswirkungen
Wie aus den prozessorientierten Definitionsansätzen hervorgeht, bringt der Kunden sich
selbst oder ein Objekt in die Verfügungsgewalt, in den Dienstleistungsprozess ein. Pro-
duktion, Absatz und Verbrauch finden simultan statt (Uno-actu-These). Beide Parteien
(Hersteller und Kunde) beeinflussen das Ergebnis.

Auswirkung des externen Faktors auf die Leistungserstellung (intern)

Intern bedeutet dies als wichtigste Konsequenz, dass ein Produktionsfaktor (der externe
Faktor) sich außerhalb der betrieblichen Dispositionssphäre befindet. So ist ein einmal
gestellter Güterwagen vorerst aus der Verfügungsgewalt des Eisenbahnbetriebs entzo-
gen. Daraus ergibt sich die Notwendigkeit zur Planung der Nachfrager-Aktivitäten. Die
für die Erbringung von Dienstleistungen notwendigen Tätigkeiten unterliegen allerdings
nicht komplett der „uno-actu-These“. Vielmehr handelt es sich lediglich um eine
partielle Simultanität im Rahmen der Endkombination:„Während die Vorkombination
einen innerbetrieblichen Faktorkombinationsprozess darstellt, mit dem Ziel, eine Leis-
tungsbereitschaft zu schaffen, ist die Endkombination dadurch gekennzeichnet, dass
diese Leistungsbereitschaft mit weiteren internen Produktionsfaktoren an dem zu integ-
rierenden externen Faktor die Dienstleistung erbringt“44. Generell können kundenferne
Bereiche zur Auftragsvorbereitung oder –abwicklung (z.B. Back-Office-Tätigkeiten)
daher getrennt werden von den Tätigkeiten, die eine direkte Integration des Kunden
bzw. eines von ihm bestimmten Objektes erfordern. Der externe Faktor führt so zu einer
automatischen Mehrstufigkeit des Produktionsprozesses. Für die Endkombination gilt
(hier aufgrund der Integration des externen Faktors), dass die Leistungsbereitschaft un-
abhängig von Nachfrageschwankungen aufrechterhalten werden muss (Trennung Kapa-
zität von Leistungsbereitschaft).Diese Aufteilung in „uno-actu-Teilleistungen“ und
„nicht-uno-actu-Teilleistungen“ bietet Möglichkeiten für Rationalisierungseffekte, auf
die noch später eingegangen wird45.

Die Notwendigkeit zur Integration des externen Faktors macht die Substitution externer
durch inter Faktoren (und umgekehrt) möglich. Je nach aktiver/passiver Beteiligung des
Nachfragers kann durch den Anbieter eine Strategie der Externalisierung / Internalisie-
rung angestrebt werden. Ein Beispiel des Güterwagenmanagements ist die Nutzung des
Kundenanschlusses zur Abstellung leerer Wagen. Da die Produktivität der eigenen Fak-

44
Corsten, H. (2001), S. 56

26
toren (hier der Gleise) durch stärkere (schwächere) Nutzung des externen Faktor ver-
bessert (verschlechtert) wird, ist es zweckmäßig, den externen Faktor bei Produktivitäts-
rechnungen herauszurechnen, ihn jedoch als externe Einflussgröße der internen Faktor-
produktivität zu betrachten46. Dabei besteht allerdings grundsätzliche Unsicherheit sei-
tens des Anbieters, inwiefern der externe Faktor eine ersetzende Wirkung ausüben kann.
Dies umfasst zum einen die grundsätzliche Eignung der externen Faktoren, zum ande-
ren aber auch die Sicherstellung der notwendigen Integration in den Leistungserstel-
lungsprozess47. Die sogenannte „Potenzialqualität“ des Nachfragers ist daher abhängig
von der Integration und Interaktivität des externen Faktors; da diese intransparent (In-
formationsdefizit s.u.) und nicht immer verfügbar (Verfügungsrechte s.u.) sind, ist eine
vollkommene Konstanz der Qualität bei Dienstleistungsprozessen nicht möglich48.

Für die Kostenrechnung wird der externe Faktor zu einer Kosteneinflussgröße, dessen
Einfluss in Abhängigkeit der Integrationsintensität berücksichtigt werden muss. Es wer-
den in der Praxis daher funktionale (anstelle objektorientiert) gleiche Potenziale zu-
sammengefasst je Kostenstelle, um eine verursachungsgerechte Kostenzuscheidung zu
ermöglichen49.

Unter den externen Faktoren spielen externe Informationen eine entscheidende Rolle.
Dabei müssen zwei Sorten Informationen unterschieden werden50:
- Informationen als externe Faktoren i.e.S., d.h. an der vom Nachfrager gelieferten
Information selbst wird die Dienstleistung erbracht. Ein Beispiel hierfür ist der
Wirtschaftsprüfer, der an den Jahresabschlussdaten seine Prüfungsleistung erbringt.
Dies ist im Güterwagenmanagement dann der Fall, wenn eine Informationsdienst-
leistung wie z.B. Sendungsverfolgung angeboten wird, in der auch Kundendaten wie
Auftragsnummern, Sendungsinformationen etc. enthalten sind.
- Als einzelkundenbezogene Informationen, die als Spezifizierung des Leistungser-
gebnisses den Prozess steuern. Diese Informationen sind nicht Bestandteil des Leis-
tungsergebnisses, sondern werden im Leistungserstellungsprozess verbraucht. Die
Qualität der Mitwirkung des Nachfragers bei der Bereitstellung dieser Information

45
Vgl. Schwenker, B. (1989), S. 129 f.
46
Vgl. Corsten, H. (2001), S. 59-60
47
Vgl. Corsten, H. (1997), S. 137f.
48
Vgl. Corsten, H. (2001), S. 61
49
Vgl. hierzu die empirische Studie von Reckenfelderbäumer, M. (1995)
50
Vgl. Mengen, A. (1993), S. 27

27
 ist von entscheidender Bedeutung für den Leistungserstellungsprozess. Im Fall des
Güterwagenmanagements gehören hierzu alle Bestellungen von Leerwagen sowie
die Informationen über leere/beladene Bestände im Werk des Kunden.
Nach der Stellung im Dienstleistungsprozess werden externe Informationen danach
51
weiter unterschieden in Potenzialinformationen und Episodeninformationen .
o Potenzialinformationen sind allgemeine Informationen über die Dienstleis-
tungsnachfrager, welche unabhängig von der konkreten Bedarfssituation
ausgewertet werden (z.B. Marktforschung, Umsatzprognosen). Anhand von
Potenzialinformationen erfolgt die Kapazitätsgestaltung der Dienstleistungs-
unternehmen. Eine Potenzialinformation des Güterwagenmanagements ist
z.B. die durchschnittlich benötigte Be-/Entladedauer des Kunden.
o Episodeninformationen werden erst in dem Moment einsetzbar, in dem die
konkrete Leistungserstellung beginnt und der externe Faktor integriert wird.
Sie sind in der Faktorkombination daher allen anderen Produktionsfaktoren
zeitlich nachgelagert. Bei jeder Nutzung von Information entsteht Wissen als
Kuppelprodukt; darauf kann zurückgegriffen werden bei jeder weiteren
Transaktion. Dieses hat dann entscheidende Bedeutung für die Gestaltung
der Dienstleistungskapazitäten. Umgekehrt prüft der Nachfrager, ob er seine
Erwartungshaltung („Script“) vom Leistungserstellungsprozess erfüllt oder
verfehlt findet. Dabei ist der Nachfrager um so mehr in der Lage, ohne Epi-
sodeninformationen auszukommen, je standardisierter die Dienstleistung ist.
Eine Episodeninformation des Güterwagenmanagements ist z.B. die Zahl der
Bestellungen oder der leer beim Kunden verfügbaren Wagen, welche durch
den Kunden an das Eisenbahnunternehmen gemeldet wird.

Für den Integrationsprozess des externen Faktors spielt zuletzt auch das grundsätzlich
beim Nachfrager verbleibende Verfügungsrecht eine wichtige Rolle. Verfügungs- oder
Eigentumsrechte können in Anlehnung an die allgemeine Rechtswissenschaft zu Rech-
tebündeln zusammengefasst werden52:
- Rechte bzgl. der Art der Nutzung (Usus)
- Rechte zur formalen/materiellen Veränderung des Gutes (Abusus)
- Rechte zur Aneignung von entstehenden Gewinnen (Usus fructus)
- Rechte zur Veräußerung an Dritte.

51
Vgl. Weiber, R.; Jacob, F. (1995), S. 515-516

28
Diese Rechtebündel können im Rahmen des Wirtschaftssystems auf die Beteiligten ver-
teilt werden, wobei die Art der Verteilung bzw. Durchsetzbarkeit der Rechte zu unwirt-
schaftlichem Verhalten der Marktteilnehmer führen kann (Property Rights-Theorie).

In Dienstleistungsprozessen verbleiben die Verfügungsrechte der zu integrierenden ex-

ternen Faktoren beim Nachfrager, und werden nur z.T. für den Zeitraum der integrati-
ven Leistungserstellung eingeschränkt (häufig Gegenstand der Vertragsgestaltung). Für
den Nachfrager entsteht daraus das Risiko, dass seine verfügungsrechtliche Situation
nach Realisierung der Dienstleistung nicht dem erwarteten Zustand entspricht53. Für den
Anbieter entsteht das Risiko, dass insbesondere die Integration kundenbezogener In-
formationen (aber auch das Verfügungsrecht an anderen Faktoren) nicht ausreichend
zur Verfügung gestellt wird, so dass die Kapazitätsgestaltung den tatsächlichen Bedarf
verfehlt54. Das im Güterwagenmanagement klassische Beispiel ist die Angabe von ü-
berhöhten Wagenbestellungen in Zeiten des Hochbedarfs. Diese mangelhafte Bereitstel-
lung der Bedarfsinformationen kann durch Eisenbahnunternehmen i.d.R. weder beein-
flusst noch sanktioniert werden.

Einfluss des externen Faktors auf die Vermarktung (Extern)

Extern bedingt die Integration des externen Faktors die Ausrichtung der Marketingakti-
vitäten an der jeweiligen Externalisierungs- bzw. Internalisierungsstrategie des Anbie-
ters. Dabei bieten sich durch die begrenzte Möglichkeit zur Standardisierung auf der
einen Seite Risiken bei der Marktbearbeitung. Auf der anderen Seite bestehen im
Dienstleistungsmarketing besondere Möglichkeiten intensitätsbezogener Produkt- und
Preisdifferenzierung.

Preisdifferenzierung stellt eine der wichtigsten Möglichkeiten zur Anpassung des Kapa-
zitätsbedarfs an das Kapazitätsangebots dar. Preisdifferenzierung bedeutet, dass „(...)
ein Anbieter unterschiedlichen Marktsegmenten ein annähernd gleiches Produkt zu ver-
schiedenen Preisen offeriert“55. Damit stellt die Preisdifferenzierung eine gezielte
Marktsegmentierung voraus und hat das Ziel der möglichst optimalen Abschöpfung des
kundenindividuellen Maximalpreises. Dadurch wird einerseits ein höherer Preis/Einheit

52
Vgl. Gabler (1993), S. 2697
53
Vgl. Plinke, W. (1995), S. 40f.
54
Vgl. Kleinenaltkamp, M.; Marra, A. (1997), S. 69
55
Faßnacht, M.; Homburg, C. (2001), S. 138

29
bei denjenigen Kunden erzielt, die einen überdurchschnittlichen Maximalpreis haben.
Andererseits kann zusätzlicher Umsatz gewonnen werden bei Kunden mit niedrigerem
Reservationspreis, solange dieser über den Grenzkosten einer weiteren Einheit liegen.
Im Rahmen einer empirischen Untersuchung der Implementationsformen von Preisdif-
ferenzierung bei Dienstleistungen hat Faßnacht (1997) die in Tabelle 1 dargestellte Ü-
bersicht erstellt.
Art der Preis- Nach Nachfragern/ Nach Menge (mengenbezogene Nach Produkten
differenzierung Marktsegmenten Preisdifferenziuerung)
Basis Unterschiede in dem indi- Unterschiede in dem Grenznut- Unterschiede in Nut-
viduellen Nutzen/den Ma- zen der 1., 2., ..., n-ten Einheit zen/Maximalpreisen ver-
ximalpreisen/ schiedener Produkte des-
Preiselastizitäten selben Anbieters
Implementa- - personenbezogene - Mengenrabatt Preisbündelung:
tionsformen - räumliche - Durchgerechnet - Reine Bündelung
- zeitliche - Angestossen - Gemischte Bündelung
- leistungsbezogene - Bonusprogramm
- Zweiteiliger Tarif
- Blocktarif
- Preispunkte

Tabelle 1: Arten und Implementationsformen der Preisdifferenzierung56

In der Unternehmenspraxis werden diese Implementationsformen überwiegend in

Kombination eingesetzt. In ca. 42 % der untersuchten Dienstleistungsangebote wurde
lediglich eine der Implementationsform angewendet, in 48 % der Fälle waren es zwei57.
Für alle Implementationsformen der Preisdifferenzierung außer personenbezogenen
Differenzierung und Preisbündelung gilt, dass eine Dienstleistung in den vier Dimensi-
onen (Raum, Zeit, Leistung und Menge) bis auf die zur Preisdifferenzierung verwendete
Dimension
identisch ist.
- Bei der personenbezogenen Preisdifferenzierung wird über persönliche Merkmale
wie Alter, Einkommen oder Beruf auf den individuellen Reservationspreis geschlos-
sen.

56
Quelle: Faßnacht, M. (1997), S. 184
57
Vgl. Faßnacht, M. (1997), S. 95

30
- Bei räumlicher Preisdifferenzierung dient als Anhaltspunkt das Nachfragegebiet,
wobei hierbei häufig rechtliche und wettbewerbliche Faktoren eine Ursache darstel-
len.
- Bei zeitbezogener Preisdifferenzierung dient der Zeitpunkt der Leistungserstellung
als Anhaltspunkt (tageszeit-, wochentags- oder saisonabhängige Preise). Vor allem
die zeitliche Preisdifferenzierung spielt für die Kapazitätssteuerung von Dienstleis-
tungsunternehmen aufgrund der Beeinflussung des externen Faktors eine wichtige
Rolle58.
- Bei leistungsbezogener Preisdifferenzierung wird versucht, unter Preisgesichts-
punkten Produktmodifikationen zu entwickeln, die eine möglichst effiziente Tren-
nung der Nachfragergruppen mit unterschiedlichen Reservationspreisen erlaubt. Die
o.g. Externalisierungs- bzw. Internalisierungsstrategien zur Kapazitätssteuerung set-
zen neben der zeitbezogenen Preisdifferenzierung hier an. So zielt z.B. eine Preis-
differenzierung nach dem Zeitpunkt der Leistungsreservation darauf ab, wie früh die
ereignisbezogene Information dem Anbieter zur Verfügung gestellt wird.
- Die mengenbezogene Preisdifferenzierung zielt auf den abnehmenden Grenznutzen
bei zunehmender Abnahmemenge einzelner Nachfrager ab. Allerdings bietet sich
auch hier die Möglichkeit zur Kapazitätssteuerung, da größere Abnahmemengen
i.d.R. auch eine bessere Basis ereignisbezogener Information bedeutet.
- Bei der Preisbündelung wird zwischen gemischter und reiner Preisbündelung un-
terschieden. Bei gemischter Preisbündelung werden einem Nachfrager sowohl eine
Komplettleistung angeboten als auch Einzelleistungen. Die Einzelleistungen werden
allerdings zu einem insgesamt höheren Preis angeboten als die Komplettleistung. Im
Gegensatz zur mengenbezogenen Preisdifferenzierung handelt es sich hierbei also
um unterschiedliche Leistungskomponenten, die im Preis unterschieden werden. Bei
reiner Preisbündelung wird nur die Komplettleistung angeboten.

Fazit
Ein Dienstleistungsunternehmen hat aufgrund der Immaterialität der Dienstleistung und
der Notwendigkeit zur Integration des externen Faktors besondere Herausforderungen
zu bewältigen. Abbildung 5 fasst diese Konsequenzen für das Dienstleistungsmanage-
ment zusammen.

58
Vgl. Faßnacht, M.; Homburg, C. (2001), S. 143

31
Die in diesem Abschnitt aufgezeigten Dienstleistungseigenschaften können noch nicht
direkt zur Bestimmung der geeigneten Untersuchungsmethode oder zur Ableitung von
Thesen zu den Forschungsfragen verwendet werden. Hierzu fehlt noch der konzeptio-
nelle Rahmen, der das Güterwagenmanagement in einzeln analysierbare Segmente auf-
teilt. Da es sich beim Güterwagenmanagement letztlich um die Steuerung von Güterwa-
genkapazitäten handelt, wird zur Entwicklung des konzeptionellen Rahmens die Kapa-
zitätssteuerung als Ausgangspunkt verwendet.

Dienstleistung
-
Eigenschafte

Immaterialität Integration des

•Keine Lagerfähigkeit externen Faktors
•Schwer Messbar

Extern Extern
•Bedeutung des Leistungsversprechen •Relevanz von Internalisierungs
-
•Unsicherheit des Nachfragers /Externalisierungsstrategien
•Möglichkeit zur Produkt- und
Preisdifferenierung

Intern Intern
•Aufteilung des DL-Prozesses in •Notwendigkeit zur Planung der
Determinierte/nicht determ. Teile Nachfragertätigkeiten.
•Notwendigkeit zur Kapazitätsvorhaltung•Fehlende Information/Verfügungs
-
(Fixkostenintensität recht über den Externen Faktor.
)•Schwierigkeit der Outputmessung
und Probleme der Kostenrechnung.

Abbildung 5: Dienstleistungseigenschaften und ihre Konsequenzen59

1.2. Güterwagenmanagement als Kapazitätssteuerung

In diesem Abschnitt wird zunächst die im Rahmen des Güterwagenmanagements geeig-

netste Kapazitätsdefinition entwickelt. Anschließend werden anhand des von Parasura-
man et al. (1985) entwickelten GAP-Konzeptes die Kernprozesse eines Güterwagenma-
nagements dargestellt. Die Konsequenzen der o.g. Dienstleistungs-Eigenschaften für die
einzelnen Kernprozessen werden zuletzt beschrieben. Diese dienen in Abschnitt 2 dazu,
die optimale Untersuchungsmethode zur Beantwortung der Forschungsfragen zu ermit-
teln.

59
Quelle: Eigene Darstellung

32
1.2.1. Kapazitätsmanagement und Kapazitätsmessung
Vorreiter bei der Definition des Kapazitätsbegriffs innerhalb der Betriebswirtschaftsleh-
re ist Werner Kern, der in seiner Habilitationsschrift die Kapazität als „(...) das Leis-
tungsvermögen einer wirtschaftlichen oder technischen Einheit – beliebiger Art, Größe
und Struktur – in einem Zeitabschnitt“ definiert 60. Streng von der Kapazität zu trennen
ist die situativ verfügbare Leistungsbereitschaft, die bei Dienstleistungen für die Kun-
denwahrnehmung entscheidend ist. Die Kapazität stellt lediglich die maximal mögliche
Leistungsbereitschaft dar. Die Kapazität besteht immer aus einer quantitativen und einer
qualitativen Komponente.

Da Dienstleistungsunternehmen sich in determinierte Bereiche und indeterminierte Be-

reiche aufteilen lassen, liegt dem Problem der Kapazitätssteuerung in erster Linie der
determinierte Bereich zugrunde. Da für indeterminierte Bereiche wie z.B. die Entge-
gennahme der Wagenbestellungen eine hohe Auslastung ohne negative Auswirkungen
für die vom Kunden wahrgenommene Leistungsbereitschaft möglich ist, sind diese we-
niger problematisch. Als Kapazitätsproblem ist hier allenfalls die optimale Aufteilung in
determinierte/indeterminierte Bereiche von Interesse. Für das Güterwagenmanagement
heißt dies, dass letztlich nur der Güterwagenbestand als wichtigster determinierter Be-
reich in die Kapazitätsberechnung berücksichtigt werden sollte.

Die Faktoren, welche die Kapazität eines Betriebes bestimmen, werden nach Kern
(1962) als Kapazitätsdeterminanten bezeichnet und in primäre und sekundäre Determi-
nanten unterteilt61. Primäre Kapazitätsdeterminanten üben einen direkten Einfluss auf
die Betriebskapazität aus. Hierzu gehören die Betriebsmittel und Mitarbeiter eines Un-
ternehmens sowie die integrierten externen Faktoren des Nachfragers. Sekundäre De-
terminanten beeinflussen das Leistungsvermögen der primären Determinanten und da-
mit indirekt die Kapazität. Zu den sekundären Determinanten gehören die verwendete
Produktionstechnologie, Aufbau- und Ablauforganisation. Die Kapazitätsdeterminanten
sind daher identisch mit den im Rahmen von Forschungsfrage 2 zu untersuchenden He-
beln der Güterwagenproduktivität.

60
Kern, W. (1962), S. 27
61
Vgl. Kern, W. (1962), S. 44

33
Kapazitätsmanagement erfordert die konstante Abstimmung von Kapazitätsnachfrage
und –angebot. Zentrale Voraussetzung hierfür ist die Kapazitätsmessung, die aufgrund
der Eigenschaften Immaterialität und Integration des externen Faktors für Dienstleis-
tungsbetriebe schwieriger fällt als für Industriebetriebe. Die Ansätze zur Kapazitätsmes-
sung lassen sich am zweckmäßigsten in output- und inputbezogene Messgrößen auftei-
len62.
- Outputbezogene Größen messen die Kapazität an der Menge der Endprodukte/ Leis-
tungsergebnisse. Im Fall des Güterwagenmanagements wäre dies die Anzahl der Last-
läufe, welche mit einer Güterwagenflotte durchgeführt werden. Voraussetzung für die
Verwendung einer outputbezogene Messgröße ist, dass ein Produkt in gleicher Be-
schaffenheit wiederholt produziert wird, oder der Variantenmix konstant bleibt. Für
Dienstleistungsunternehmen sind outputbezogene Kapazitätsmessungen daher nur
eingeschränkt tauglich, da die Leistungsergebnisse nur schwer zu quantifizieren
sind63. Im Fall des Transportes sind zwar die Raumveränderungen quantifizierbar, a-
ber bereits die damit verbundenen Qualitätskriterien wie Länge und Flexibilität der
Be-/Entladung bzw. die Transportdauer bereiten Messprobleme. Der Output entsteht
erst im Moment der Leistungserstellung, so dass der Nutzen im Voraus und damit der
Kapazitätsbedarf schwer einschätzbar ist. Da außerdem der Nutzen des Kunden nicht
zwingend im Verhältnis zur Dienstleistungsmenge steht, eignet sich die outputbezo-
gene Größe eher schlecht zur Kapazitätsmessung im Rahmen des Güterwagenmana-
gements. Daher ist der Einsatz von outputorientierten Messgrößen nur auf Elementar-
ebene der eingesetzten Faktoren sinnvoll (z.B. Einsätze pro Wagen). Der Kapazitäts-
auslastungsgrad auf der Elementarebene entspricht dann der ausgebrachte Produkt-
menge im Verhältnis zur möglichen Produktmenge.
- Bei inputbezogenen Messgrößen bestimmt die maximale Inputmenge die quantitati-
ve Kapazität eines Betriebes64. Inputbezogene Messgrößen sind Zeitgrößen, welche
die Nutzungszeit von Betriebsanlagen bzw. von Arbeitskräften angeben65. Die Ver-
wendung von Zeitmaßen hat den Vorteil, dass sich verschiedene Leistungs- und Po-
tenzialarten addieren lassen66. Voraussetzung für die sinnvolle Verwendung dieser
Zahl ist ein gleichbleibendes Verhältnis von Einsatzzeit zu erzeugtem Output, da die
Leistungsintensität nicht in der Messgröße enthalten ist. Diese Voraussetzung ist in

62
Vgl. Clar, P. (1964), S. 90f.
63
Vgl. Corsten, H. (1990), S. 112
64
Vgl. Wille, K. (1985), S. 47
65
Vgl. Kern, W. (1962), S. 156
66
Vgl. Klinge, R. (1998), S. 121

34
 Dienstleistungsprozessen aufgrund der Integration des externen Faktors häufig nicht
gegeben. Auch der Lösungsversuch in der Literatur, nur die produktive Leistungszeit
mit einer konstanten Intensität zu verwenden, löst dieses Problem nicht. Dennoch
scheinen Zeitmaße als inputbezogene Messgröße die einzige produktionstheoretisch
geeignete Größe zur Erfassung des Faktorverbrauchs in Dienstleistungsprozessen zu
sein67. Der Kapazitätsauslastungsgrad einer Periode ermittelt sich bei inputbezogenen
Zeitmassen als verarbeitete Inputmenge/mögliche Verarbeitungsmenge in der Periode.
Der inputbezogene Ansatz zur Kapazitätsmessung wird daher auch in dieser Arbeit
verwendet.

Auf das Güterwagenmanagement bezogen heißt dies, dass die Güterwagen-Nutzung

über Zeit die geeignete Messgröße für den Kapazitätsbestand von Eisenbahnen darstellt.
Die Kapazitätsauslastung wird dabei am geeignetsten als die für eine Periode erfolgende
Aufteilung der Güterwagenkapazitäten in „beschäftigte“ und „nicht beschäftigte“ Gü-
terwagen wiedergegeben. Ein Kapazitätsauslastungsgrad von 90 % innerhalb einer Wo-
che bedeutet dann, dass 90 % des Güterwagenkapazität (Wagenbestand x Zeiteinheiten)
an diesem Tag im Einsatz waren.

1.2.2. Kernprozesse als Orientierungsrahmen für das

Güterwagenmanagement

Der Begriff Güterwagenmanagement umfasst grundsätzlich alle Tätigkeiten eines Ei-

senbahnunternehmens mit Einfluss auf die Produktivität der Güterwagen. Dies ist eine
wesentlich breitere Auffassung als die in der Literatur vorherrschende Gleichsetzung
von Güterwagenmanagement und Güterwagendisposition.

Zwei häufig in der Literatur eingesetzte Orientierungsrahmen für das Kapazitätsmana-

gement von Dienstleistungen ist die Ebenenunterteilung der einzelnen Maßnahmen
(Strategisch – taktisch – operativ) und die Unterscheidung von endogenen gegenüber
exogenen Ursachen von Auslastungsschwankungen. Während die Ebeneneinteilung den
zeitlichen Wirkungsrahmen (mehrjährig, jahresbezogen, unterjährig) berücksichtigt,
betont die Aufteilung in endogene/exogene Einflusse die Trennung von unternehmens-

67
Vgl. Gerhardt, J. (1987), S. 175f.

35
internen (beeinflussbaren) und unternehmensexternen (nicht oder schlecht beeinflussba-
ren) Faktoren.

Beide Ansätze sind relevant, sollten allerdings kombiniert werden. Letztlich ist eine
Gruppierung der Einzeltätigkeiten um die „Kernprozesse“ des Güterwagenmanage-
ments sinnvoller als eine Aufteilung nach abstrakten Kriterien.

Das aus dem Qualitätsmanagement stammende Modell des Dienstleistungsprozesses

von Parasuraman et al. (1985) integriert beide o.g. Perspektiven (Ebenenmo-
dell/Beeinflussung) und wurde in mehreren Arbeiten als konzeptioneller Rahmen für
weitere Untersuchungen des Dienstleistungsmanagements eingesetzt68. Abbildung 6
stellt die angepassten Darstellung von Corsten/Stuhlmann (1997) des Dienstleistungs-
prozesses dar. Das Modell erklärt auftretende Qualitätsprobleme in Dienstleistungsun-
ternehmen (als Lücke zwischen erwarteter und wahrgenommener Qualität) durch 4
mögliche Lücken (engl. „Gap“) in den Kernprozessen der Dienstleistungserstellung.

Erfahrungen Individuelle Eigene

anderer Bedürfnisse Erfahrungen
Nachfrager

Vom Anbieter
Erwarte te Leistungsfähigkeit versprochene
Leistungsfähigkeit
GAP 4
Nachfrager Wahrgenommene
Leistungsfähigkeit
GAP 1 GAP 3

Dienstleistungserstellung

Erwartete
Kapazitätsdimensionierung Nachfrage
Anbieter
GAP 2
Strategische
Nachfrageerwartungen in der Grundsatzent -
Wahrnehmung des Managements scheidungen

Abbildung 6: GAP-Konzept nach Corsten/Stuhlmann (1997)69

68
Vgl. Corsten, H.; Stuhlmann, S. (1997), S. 12ff.
69
Quelle: Corsten, H.; Stuhlmann, S. (1997), S. 13

36
Kernprozess 1: Prognose der Kundenerwartung
Ausgangspunkt des Dienstleistungsprozesses bildet die durch den Kunden erwartete
Leistung, welche durch das Unternehmen richtig eingeschätzt werden muss. Wird die
Kundenerwartung falsch eingeschätzt, entsteht die erste Lücke (Prognosefehler), die zu
Qualitätsproblemen führt. Zur Vermeidung dieser Lücke dienen quantitative und quali-
tative Marktprognosen sowie eine geeignete Marktsegmentierung nach den Qualitätsan-
forderungen.

Quantitative Prognose (Anzahl der Transporte): Bei der Dienstleistungsproduktion

besteht stärker als bei Sachleistungsproduktion die Notwendigkeit zur Planung des
Nachfrager-Verhaltens. Erschwerend kommt hinzu, dass bereits im Planungsstadium
Informationen des Kunden als externer Faktor verarbeitet werden sollten – hierfür aller-
dings keine Verfügungsrechte bestehen. Aus diesem Grund liegen quantitativen Prog-
nosen historische Daten früherer Leistungserstellungen zugrunde. Die Prognose des
Marktpotenzials umfasst sowohl das erschließbare Marktvolumen als auch die zu erwar-
tende Schwankungsbreite der Nachfrager im Zeitverlauf. Je nach Dienstleistung besteht
ein Bedarf zur Bedarfsabschätzung im Tages-, Wochen- oder Saison-Verlauf, wobei die
Möglichkeit diskontinuierlicher Entwicklungen stets weiterbesteht. Der Nachfrager
muss über ein geeignetes Prognosemodell die erklärbaren Komponenten des Nachfra-
geverhaltens erkennen und die nicht prognostizierbaren Nachfrageschwankungen zu-
mindest in der Schwankungsbreite abschätzen.

Für den Eisenbahnbetrieb heißt dies zunächst, die tageweise vom Kunden bestellten
Wagen zu prognostizieren:
- Wie hoch sind die durchschnittlichen Güterwagenbestellungen pro Tag?
- Wie stark schwanken die Tageswerte im Verhältnis zum Durchschnittsbedarf?
- Was sind die Ursachen der Wagenbestellungen?
- Gibt es wöchentliche/saisonale Bedarfskurven?
- Wird realitätsgetreu vom Kunden bestellt, oder gibt es strategisches Verhalten in
Form überhöhter Bestellungen?

Qualitative Prognose (Zeitliche Bindung): Aufgrund der schlechten Messbar-

keit/Unsicherheit der zu erwartenden Qualität stützt der Dienstleistungs-Nachfrager
seine Erwartung auf mündliche Erfahrungsberichte anderer Dienstleistungsnachfrager,

37
eigene Bedürfnissen sowie selbst gemachten Erfahrungen. Diese Erwartung des Dienst-
leistungsprozesses dient dem Kunden als eine Art Standard, an dem er die später erlebte
Dienstleistung misst. Da es sich um eine Art „gedankliches Drehbuch“ des Leistungs-
prozesses handelt, wird dieser Standard in der Literatur als „Script“ bezeichnet70.

Die Herausforderung für den Anbieter besteht darin, dem Nachfrager-„Skript“ ein mög-
lichst ähnliches „Skript“ gegenüberzustellen, um seine Erwartungshaltung möglichst
optimal zu treffen. Dabei sollten die Nachfrager soweit möglich in Segmente eingeteilt
werden, damit eine Standardisierung des „Anbieter-Scripts“ innerhalb eines Segments
möglich ist, ohne die heterogenen Bedürfnisse der Kunden zu verfehlen. Zur Kompen-
sation der Unsicherheit bei Integration des externen Faktors empfiehlt es sich, auch im
Leistungserstellungsprozess selbst ein Flexibilitätspotenzial aufzubauen („situative
scripts“)71.

GAP 1 entsteht, wenn das Unternehmen die potenziell bestehende Nachfrage in quanti-
tativer wie qualitativer Hinsicht nicht ausreichend prognostizieren kann. Erfolgt eine
solche Fehleinschätzung, wird GAP 4 (GAP zwischen der erwarteten und wahrge-
nommenen Leistungsqualität) automatisch mit beeinflusst, so dass sich eine Interdepen-
denz der einzelnen GAPs zeigt.

Nach Voigt (1973) bestehen für Güterverkehrsleistungen generell sechs Qualitätskrite-

rien, auf die in Abschnitt 3.1.1. näher eingegangen wird72. Für das Güterwagenmana-
gement relevant ist die zeitliche Flexibilität des Schienentransportes. Dieses Qualitäts-
kriterium umfasst zwar traditionell die zeitliche Flexibilität der Transportbeauftragung,
beeinflusst aber die zeitliche Bindung der Wagen im Kundenanschluss. Diese muss im
Rahmen der qualitativen Prognose bestimmt werden:
- Dauer der durchschnittlichen Ladefrist, d.h. wie lange brauchen die Kunden zum
Be-/Entladen der Wagen?
- Schwankungsbreite der Ladefrist im Verhältnis zum Mittelwert.
- Was sind die Ursachen der Ladefristschwankungen?

70
Corsten, H.; Stuhlmann, S. (1997), S. 20
71
Corsten, H.; Stuhlmann, S. (1997), S. 20
72
Vgl. Voigt (1973), S. 69-105

38
Kernprozess 2: Umsetzung der Kundenerwartungen in Kapazitätsbedarf
Die Umsetzung der antizipierten Leistungserwartung der Kunden in die dafür benötigte
Kapazitätsausstattung baut auf der Prognose der Kundenerwartungen auf. GAP 2 ent-
steht, wenn die Kapazitätsausstattung falsch dimensioniert ist und daher die Qualität
beeinträchtigt.

In Kernprozess 2 geht es um die konkrete Spezifikation des Leistungserstellungsprozes-

ses (Service Design) und der damit verbundenen Kapazitäten (Kapazitätsableitung), die
intern aufgebaut werden müssen, um die Erwartungen der Nachfrager zu erfüllen (Ab-
bildung 7).
- Im ersten Schritt muss das Service Design je Nachfrage-Segment definiert werden.
Das Service-Design im Rahmen des Güterwagenmanagements umfasst alle den Gü-
terwagen betreffenden Prozesse der Eisenbahn. Es wird beeinflusst durch die quali-
tativen Anforderungen des Kunden und bestimmt die sogenannte Güterwagenum-
laufzeit. Die Güterwagenumlaufzeit beschreibt die durchschnittliche Zeit zwischen 2
Transporten eines Güterwagens. Die Güterwagenumlaufzeit und ihre einzelnen Pha-
sen (Stati) sind daher die zentrale Produktivitätsgröße des Güterwagenmanage-
ments.
- Im zweiten Schritt wird daraus die Güterwagenbindung abgeleitet durch Multiplika-
tion der Transportbedarfe mit der Güterwagenumlaufzeit. Entscheidend hierbei ist
weniger die Durchschnittsbetrachtung als die korrekte Abbildung von Nachfrage-
spitzen. Diese treiben den Kapazitätsbedarf und erfordern das Abwägen von Kosten
(in Form von Wagenkapazitäten) und Qualität (in Form von Service-Leveln). Dieses
Abwägen liegt der Forschungsfrage 2 zugrunde.

Definition Service-Design: Das zentrale Problem bei der Planung des Leistungserstel-
lungsprozesses ist die Analyse der kritischen Phasen, in denen der externe Faktor integ-
riert wird. Stauss (1995) schlägt für diese Kontaktpunktidentifikation das Instrument das
„Blueprinting“ vor73. Dabei wird der Dienstleistungsproduktionsprozess über ein Ab-
laufdiagramm dokumentiert und analysiert. Bei der Durchführung dieser Prozessanalyse
ist die Trennung zwischen Front-Line-Funktionen mit direktem Kundenkontakt und
Back-Office-Funktionen notwendig. Diese Trennung ermöglicht die separate Analyse
von Aktivitäten, die vom Kunden oder Anbieter alleine bzw. welche in Interaktion zwi-

73
Vgl. Stauss, B. (1995), S. 379f.

39
schen Kunde und Anbieter erbracht werden. Corsten (1996) spricht in diesem Zusam-
menhang von der „Line of visibility“ aus Kunden-/Anbietersicht sowie der „Line of
interaction“ als die beiden Grenzen der Wahrnehmung bzw. Interaktion. Abbildung 7
stellt das Ablaufschema dar.

Line of
Back-Office-
interaction
Faktoren

Line of visibilíty
aus Kundensicht
Front-Office- Externe Kontakt-
Faktoren (interne faktoren
Kontaktfaktoren)
Line of visibilíty
aus Anbietersicht

Andere externe
Kontaktfaktoren

Abbildung 7: Faktoren der Leistungserstellung nach Corsten, H. (1996)74

Back-Office-Faktoren können ohne externe Einschränkung ähnlich einem industriellen

Produktionsprozess gestaltet werden. Im Güterwagenmanagement gehören erstens die
administrativen Tätigkeiten wie Systemadministration der DV-Systeme, Call-Center
Tätigkeiten zum Kundenkontakt sowie die Aufbauorganisation des Güterwagenmana-
gements selber. Dies sind nicht determinierte Bereiche (siehe Abschnitt 1.2.). Von den
einzelnen Phasen (Stati) der Güterwagenumlaufzeit werden die außerhalb der direkten
Beeinflussung des Kunden befindlichen Phasen durch Back-Office-Faktoren beein-
flusst:
- Transportdauer beladener Wagen (Lastlauf )
- Transportdauer leerer Wagen (Leerlauf)
- Leerzeiten durch Reparatur und Revision der Güterwagen (Schadstand)
- Standzeiten leerer Wagen außerhalb des Kundenanschluss (leer stehende Wa-
gen)

Bei den Front-Office-Faktoren (determinierte Bereiche, siehe Abschnitt 1.2.) ist die
Integration des externen Faktors zu berücksichtigen. Von den einzelnen Phasen (Stati)

74
Quelle: Corsten, H. (1996b), S. 19

40
der Güterwagenumlaufzeit werden die Phasen durch Front-Office-Faktoren beeinflusst,
in denen eine Interaktion mit dem Kunden erfolgt:
- Bedienung und Abholung von Güterwagen insofern, als eine Mindestkooperation
des Kunden zur Durchführung der Fahrten erforderlich ist. Auf die Umlaufzeit be-
zogen ist dies ab der Wagengestellung ein Bestandteil der Be-/Entladedauer beim
Kunden.
- Be- und Entladezeiten der Güterwagen (qualitative Anforderungen). Der Kunde
kann die Be- und Entladezeiten beeinflussen, da er über die Wagenrückgabe die
vollständige Kontrolle hat.
- Standzeiten leerer Wagen innerhalb des Kundenanschluss durch Gestellung leerer
Güterwagen über den Bedarf hinaus (Vorratsbestand leerer Güterwagen) .

Ableitung des Kapazitätsbedarfs: Das Service Design definiert den Kapazitätsbedarf

je Einheit der nachgefragten Dienstleistung. Anhand der Ergebnisse der quantitativen
Nachfrageprognose und des Kapazitätsbedarfs je Nachfrageeinheit (Güterwagenumlauf-
zeit) kann die vorzuhaltende Gesamtkapazität abgeleitet werden. Wichtig ist hierbei der
Informationsgewinn aus zurückliegenden Transaktionen über das Ausmaß der Beein-
trächtigung durch den externen Faktor. Aufgrund der Notwendigkeit zur Kapazitätsvor-
haltung unabhängig von der konkreten Nachfrage ist weniger der durchschnittliche Ka-
pazitätsbedarf relevant, sondern der Kapazitätsbedarf je einzelnem Nachfragevorgang.

Im Hinblick auf den Güterwageneinsatz geht es darum, neben der Wagenbestellung

auch die Güterwagenumlaufzeit möglichst präzise zu prognostizieren. Die danach fest-
gelegte Kapazitätsausstattung ( Investitionen und Personalbedarfsplanung) muss von
kurzfristigen Anpassungen in der Beschäftigung inhaltlich getrennt werden. Die Wir-
kung kurzfristiger Anpassungsmaßnahmen ( Disposition und Produkt-
/Preisdifferenzierung) muss zwar in die Kapazitätsableitung einfließen. Es handelt sich
aber ausschließlich um Aktivitäten, die bereits vor der eigentlichen Transaktion voll-
ständig planbar sind.

GAP 2 entsteht, wenn der zur Sicherstellung der (korrekt eingeschätzten) Leistungser-
wartung der Kunden notwendige Kapazitätsbestand unter- bzw. überschätzt wird. D.h.
trotz planmäßiger Nachfrageverläufe und plangemäßer Ausführung der Back-Office-
Funktionen reicht die Kapazität nicht aus, das angestrebte Service Level zu erreichen.

41
Kernprozess 3: Kapazitätssteuerung bei der Integration des externen Faktors)
Nach der Kapazitätsdefinition in Schritt 2 erfolgt die Markttransaktion. Für den einzel-
nen Dienstleistungs-Nachfrager spielt weniger die absolute Kapazität als die situative
Leistungsbereitschaft eine Rolle. Die Integration des externen Faktors im Fall des Gü-
terwagenmanagements besteht darin, dass der Kunde die konkrete Transaktion durch
Übermittlung der Bestellinformationen sowie der Beladung/Entladung mit jeweiliger
Wagenübergabe initiiert und steuert. Da hieraus zwangsläufig kein statischer, determi-
nistischer Prozess resultiert, sind interne (angebotsseitige) und externe (nachfrageseiti-
ge) Anpassungsmaßnahmen zur Abstimmung zwischen dem definiertem Kapazitätsan-
gebot und der konkreten Nachfrage notwendig.

Es gibt hierbei zwei grundsätzliche Ansätze: Die erste (interne) Möglichkeit sind interne
Anpassungsmaßnahmen derjenigen determinierten Back-Office Funktionen, mit denen
die Abweichungen zwischen geplanter und realisierter Leistungsausführung ausgegli-
chen werden. Die wichtigste Back-Office-Funktion im Güterwagenmanagement ist die
Disposition leerer Güterwagen nach Ihrer Entladung. Hierdurch werden durch den Kun-
den verursachte Schwankungen in der Leistungserstellung (Unpaarigkeit der Verkehrs-
struktur) ausgeglichen. Die zweite (externe) Möglichkeit besteht in vertraglichen Anrei-
zen für den Kunden, sich so zu verhalten, dass die Leistungserstellung planmäßig ver-
läuft. Hierunter fallen die Produkt- und Preisdifferenzierungen mit Bezug auf das Gü-
terwagenmanagement.

42
 1. Angebotsseite/Intern (Güterwagendisposition): Wäre die Kundennachfrage
statisch und deterministisch, so könnte die Transportdurchführung durch gleich-
bleibende Leer- und Lastbewegungen von Güterwagen erfolgen. Bei dynami-
scher und stochastischer Nachfrageentwicklung (bzgl. der Zahl an bestellten
Wagen ebenso wie der zeitlichen Bindung) besteht die interne Anpassungsmaß-
nahme darin, dass die Leerwagenbewegungen kontinuierlich an die Veränderun-
gen der Lastbewegungen angepasst werden. Welcher verfügbare leere Wagen
welchem Kunden gestellt werden sollte, ist der Gegenstand der Leerwagendis-
position. Die Disposition beeinflusst daher die Zahl der durchgeführten Leerwa-
genbewegungen. Sie stellt den wichtigsten internen Anpassungsprozess dar und
wurde daher in der bisherigen Forschung am intensivsten untersucht (vgl. Ab-
schnitt 3).
2. Nachfrageseite/Extern (Produkt- und Preisdifferenzierung): Die marktseiti-
gen Anpassungsmaßnahmen beziehen sich auf die Verlässlichkeit von Kunden-
daten über Wagenbedarfe bzw. die Bindung der bestellten Wagen beim Kunden
bzw. im Transportverlauf. Erstens hat die Bestellgenauigkeit der Kunden großen
Einfluss auf die vorzuhaltenden Reservekapazitäten. Und zweitens haben die
Kunden einen erheblichen Einfluss auf die Güterwagenbindung. Daher ist es
sinnvoll, durch geeignete Produkt- und Preisdifferenzierung Anreize zur Res-
sourcenoptimierung zu setzen. Die Produkt- und Preisdifferenzierung beeinflusst
über die Kundennachfrage sowohl die Zahl der bestellten Wagen (quantitative
Kundenanforderungen) als auch die zeitliche Bindung durch den Kunden (quali-
tative Kundenanforderungen).
GAP 3 tritt auf, wenn trotz Eintritt der Nachfrageprognose und plangemäßer Durchfüh-
rung des Service-Design bei der konkreten Leistungserstellung das geplante Service-
Level nicht erzielt wird. Dass GAP 3 trotzdem eine große Bedeutung im Güterwagen-
management trägt, liegt an der hohen Dynamik und Stochastizität des Systems Güter-
verkehr. Beide Faktoren setzen Grenzen der Planbarkeit von Nachfrage und Leistungs-
durchführung im Rahmen des Service Design. Selbst wenn die Nachfrage je Standort
und die daraus resultierende zeitliche Bindung des Güterwagens in der Schwankungs-
breite korrekt prognostiziert wird, wird der geplante Service-Level nur über längere
Zeiträume eintreten. In Einzelperioden kommt es zu Über-/Unterschreitungen der Plan-
qualität und damit zu GAP 3.

43
Besteht eine Lücke zwischen der an den Kunden gerichteten Kommunikation und der
wahrgenommenen/erwarteten Leistung des Güterwagen-Managements, so entsteht GAP
4. So z.B., wenn der Kunde weniger Wagen gestellt bekommt (oder verspätet), als ihm
im Rahmen der Bestellung zugesagt wurden. Da GAP 4 sich allerdings zusammensetzt
aus den bereits in GAP 1-3 untersuchten Differenz zwischen Wagenbedarf und Wagen-
bestand, wird GAP 4 im Rahmen dieser Arbeit nicht separat betrachtet.

1.3. Fazit und Erläuterung der Forschungsfragen

Die Durchführung von schienengebundenem Güterverkehr stellt als Dienstleistung be-

sondere Anforderungen an die Kapazitätssteuerung. Dies liegt an zwei Besonderheiten,
welche Dienstleistungen von Gütern unterscheiden:
- Immaterialität: Dienstleistungen sind Leistungsversprechen, deren Qualität der
Nachfrager nur sehr schlecht einschätzen kann. Der Leistungserstellungsprozess zer-
fällt in determinierte/nicht determinierte Schritte und ist durch hohe Fixkosteninten-
sität bzw. Probleme der Kostenrechnung gekennzeichnet.
- Integration des externen Faktors: Gegenüber dem Kunden sind Internalisierungs-
/Externalisierungsstrategien ebenso relevant wie die Möglichkeit zur Produkt- und
Preisdifferenzierung. Intern besteht Notwendigkeit zur Planung der Nachfragertä-
tigkeiten und Gewinnung von Information/Verfügungsrechten über den Externen
Faktor.

Das Güterwagenmanagement wird im Rahmen dieser Arbeit als Summe der Tätigkeiten
zur Beeinflussung der Güterwagenproduktivität definiert. Als Kapazitätsbegriff des Gü-
terwagenmanagements wird der zur Verfügung stehende Güterwagenbestand über Zeit
verwendet (Güterwagentage als inputbezogene Kapazitätsgröße). Die Einzeltätigkeiten
des Güterwagenmanagements lassen sich in drei Kernprozesse einteilen:
1. Nachfrageprognose (qualitativ und quantitativ)
2. Kapazitätsableitung (Festlegung Service Design und Ableitung des Wagenbe-
darfs)
3. Steuerung (Disposition sowie Preis- und Produktoffensive).

44
 Kernprozess des Gü- Kernprozess 1: Kernprozess 2: Umsetzung Kernprozess 3: Kapazi-
terwagenmanagements Prognose der Kun- der Kundenerwartungen in tätssteuerung im Rah-
denerwartung Kapazitätsbedarf men der Leistungs-
Forschungsfrage Erstellung
Bedarf Wagenkapazi- Nachfrageprognose: - Ableitung des Kapazitäts-
täten je Service-Level bei - Wagenbestellungen bedarfs zur Erzielung eines
gegebenen Systempara- (quantitativ) bestimmten Service-Levels. Nur indirekte Berücksich-
metern - Zeitliche Bindung tigung im Rahmen des
beim Kunden (quali- Service-Designs
tativ)
Bestimmung der größten Simulation der Wirkung des Simulation der Wirkung
Hebel auf Verhältnis von Nur indirekte Berück- Service Designs: von:
Wagenkapazitäten zu sichtigung im Rahmen - Beförderungsart - Disposition zur Leer-
Service-Level. der Wirkung von - Zugfrequenz laufminimierung.
Produkt- und Preisdif- - Lagerung von Wagen beim - Wagenbezogener Pro-
ferenzierung Kunden. dukt- und Preisdifferen-
zierung
Tabelle 2: Überblick der Fragen je Kernprozess mit Bezug zu den Forschungsfragen75.

Der Vorteil dieser Gliederung besteht darin, dass die Einzeltätigkeiten so leichter nach
Ihrer Auswirkung auf den Kapazitätsbedarf gebündelt werden können. Darüber hinaus
beziehen die beiden Forschungsfragen sich auf unterschiedliche Teile der Kernprozesse,
so dass die Forschungsfragen anhand der Kernprozesse untersucht werden können. For-
schungsfrage 1 wird durch Bedarfsprognose und Kapazitätsableitung gelöst. For-
schungsfrage 2 wird durch Simulation der Ex-Ante-Wirkung von Hebeln in den Kern-
prozessen Service-Design und Steuerung gelöst. Tabelle 2 zeigt als Überblick die je
Kernprozess betrachteten Einzelfragen und ihren Bezug zu den Forschungsfragen.

Forschungsfrage 1: „Wie viel Wagenkapazitäten benötigt man angesichts gegebener

Systemparameter, um ein bestimmtes Service-Level zu erreichen?“
Die Forschungsfrage 1 wird durch Modelle zur Nachfrageprognose und Simulation des
Kapazitätsbedarfs gelöst. Diese Fragestellung umfasst sowohl Kernprozess 1 (Prognose
der Kundenerwartung) als auch Kernprozess 2 (Umsetzung der Kundenerwartungen in
Kapazitätsbedarf). Die in Kernprozess 1 und 2 dargestellten Teilprobleme werden in
einem Modell mit drei Kernkomponenten abgebildet:

75
Quelle: Eigene Darstellung

45
- Quantitative Anforderungen der Kunden an die Wagenversorgung. Prognose der
täglichen Güterwagenbestellungen aufgrund von Tages-, Wochen-, Saison- und
Konjunkturschwankungen.
- Qualitative Anforderungen der Versender an die Versorgung mit Güterwagen (zeit-
liche Bindung). Prognose der zeitlichen Bindung der bestellten Güterwagen im
Zeitverlauf (abhängig von der zeitlichen Bindung im Versand, Transport und Emp-
fang).
- Ableitung der zur Erzielung eines bestimmten Service-Levels notwendigen Kapazi-
tätsbestands unter Berücksichtigung der qualitativen und quantitativen Kundenan-
forderungen.

Forschungsfrage 2: „Welche der beeinflussbaren Rahmenbedingungen haben den

größten Hebel auf dieses Verhältnis von Wagenkapazitäten zu Service-Leveln?“
Sowohl die Zahl der bestellten Wagen als auch deren zeitliche Bindung kann durch
Veränderung des Service-Designs sowie durch produktionsseitige und nachfrageseitige
Steuerungsmaßnahmen beeinflusst werden.
- Kernprozess 2 zuzuordnen sind die unter dem Oberbegriff „Service Design“ zu-
sammengefassten produktionsseitigen Maßnahmen, welche vor der konkreten Leis-
tungserstellung wirken durch Beeinflussung des Wagenbindung je bestelltem Gü-
terwagen.
- Kernprozess 3 zuzuordnen sind die produktions- und marktseitigen Anpassungs-
maßnahmen, welche der Abstimmung zwischen definiertem Kapazitätsangebot und
-nachfrage im konkreten situativen Kontext dienen. Produktionsseitig wirkt die Gü-
terwagendisposition auf die zeitliche Bindung der Wagen. Marktseitig wirkt die
Produkt- und Preisdifferenzierung auf die Zahl der bestellten Wagen sowie deren
Bindung durch den Kunden.

46
2. Anpassung der Untersuchungsmethodik an die Dienstleis-
tungseigenschaften

In Abschnitt 2 wird die zur Beantwortung der Forschungsfragen am ehesten geeignete

Untersuchungsmethodik ermittelt.
- Abschnitt 2.1.: Basis der Untersuchung ist die Abbildung des Güterwageneinsatzes als
Folge von verschiedenen Einsatzphasen (Stati). Im ersten Schritt werden daher diese
Güterwagenstati aufgestellt und die in Tabelle 2 dargestellten Prognose-
/Simulationsprobleme formuliert. Anschließend wird der Zusammenhang zwischen
dem Strukturierungsgrad dieser Problemstellung und den in Frage kommenden
Untersuchungsmethoden dargestellt.
- Abschnitt 2.2.: Vor diesem Hintergrund werden die in Frage kommenden Methoden
der quantitativen Planung bewertet und die beste Untersuchungsmethode zur Beant-
wortung der Forschungsfragen ermittelt.

2.1 Problemstellung und theoretischer Ansatz

In diesem Abschnitt soll das dieser Arbeit zugrundeliegende Stati-Modell des Güterwa-
genumlaufs kurz skizziert werden. Anschließend wird die Problemstellung dieser Arbeit
sowie der Trade-off zwischen Strukturierungsgrad der Problemstellung und Auswahl
geeigneter Untersuchungsmethoden aufgezeigt.

Die zeitliche Bindung eines Güterwagens für jede Kundenbestellung wird durch die
sogenannte Güterwagenumlaufzeit wiedergegeben. Aufgrund der inputorientierten Ka-
pazitätsmessung (Kapazität als verfügbare Güterwagen über Zeit) stellt die Güterwa-
genumlaufzeit die zentrale Größe dieser Arbeit dar. Als Summe der zeitlichen Bindung
der Wagen dient sie zur Ableitung des Kapazitätsbedarfs (Forschungsfrage 1). Darüber
hinaus können die Hebel des Güterwagenmanagements in ihrer Wirkung auf die Güter-
wagenumlaufzeit verglichen werden (Forschungsfrage 2).

Die Güterwagenumlaufzeit ist definiert als der Zeitabschnitt zwischen der Gestellung
des (leeren) Güterwagens zum Kunden und der erneuten Verfügung des (nach Bela-
dung, Transport und Entladung) wieder leer gewordenen Wagens. Da nur die Versand-
kunden auf dem eigenen Schienennetz Bestellungen von leeren Güterwagen abgeben,

47
erfolgt der Versand stets im „Inland“. Grob gefasst sind die einzelnen Bestandteile der
Güterwagenumlaufzeit:
1. Abgestellter leerer Wagen („leer stehend“)
2. „Leerlauf“
3. „Beladedauer“ beim Kunden im Versandstandort
4. „Lastlauf“ vom Versand- zum Empfangsstandort.
5. „Entladedauer“ und ggfs. „Wiederbeladedauer“
a. Im Fall der Entladung: Zurück zu 1. oder 2.
b. Im Fall der Wiederbeladung beim Kunden: Zurück zu 3.
Abbildung 8 zeigt die einzelnen Güterwagenstati anhand eines Prozessablaufs zwischen
zwei Standorten. Die Einrichtung eines Leerwagenpuffers als Vorrat ergibt sich durch
den Sachverhalt, dass nur sehr selten alle leeren Güterwagen im Transport begriffen
sind.

Leerwagen-
Vorrat 1
Standort A 2 2 Standort B
5 3 Leerlauf
3
E 2
B
B
5
Lastlauf
4 E

Leerwagen-
Vorrat 1
2 2

Abbildung 8: Prozessablauf des Eisenbahnprozesses76

Es bestehen daher insgesamt 5 verschiedene Phasen des Güterwageneinsatzes, aus de-

nen sich der Kapazitätsbedarf zusammensetzt. Dabei ist es sinnvoll zu unterscheiden,
wie viele Wagen in einer Zeitperiode einen bestimmten Status erlangen (z.B. leer zur
Beladung gestellt werden) und wie lange sie innerhalb des Status verweilen (analog:
wie lange die Beladung dauert). Wir wollen den Wechsel von einem Status in den ande-

76
Quelle: Eigene Darstellung

48
ren als „Ereignis“ bezeichnen, und das darauf folgende Verweilen in diesem Status als
(zeitliche) „Bindung“.
Innerhalb einer Zeitperiode ergibt dann die Zahl der „Ereignisse“ (der Beladungen),
bewertet mit daraus resultierenden „Bindung“ (der mittleren Beladedauer in der Zeitpe-
riode), den Anteil der Beladungen an den Güterwagenkapazitäten dieser Periode. Die
Summe der je Status gebundenen Güterwagenkapazitäten ergibt den Gesamtkapazitäts-
bedarf.

Die notwendigen Güterwagenkapazitäten werden daher beeinflusst durch die „Hebel“-

Faktoren auf „Ereignisse“ und „Bindungen“. Diese „Hebel“ werden über die drei Kern-
prozesse des Güterwagenmanagements abgebildet. Abbildung 9 zeigt den Zusammen-
hang zwischen den „Hebeln“ und den einzelnen Stati.

Kernprozesse „Hebel“ des Wagenbedarfs Wagenstati

Prognose Quant. /Qualitative

Nachfrage
Lastlauf

Kapaz. Service Design

Leerlauf
ableitung Kapazitätsableitung

Beladedauer
Disposition
Steuerung
Produkt-/Preis-
Entlade-/Wbldauer
differenzierung

Forschungsfrage 1: Forschungsfrage 2:
Kapazitätsbedarf Hebelfaktoren

Abbildung 9: Beeinflussung des Kapazitätsbedarfs je Status77

Durch Prognose der Kundennachfrage und Berücksichtigung der möglichen Einsatz-

produktivität (Kapazitätsableitung) kann der vorzuhaltende Güterwagenpark bestimmt
werden (Forschungsfrage 1). Die Hebel des Wagenbedarfs sind dabei das Service-
Design und die Steuerung (Disposition und Produkt-/Preisdifferenzierung). Die Wir-
kung dieser Hebel wird in Forschungsfrage 2 untersucht.

77
Quelle: Eigene Darstellung

49
Wären die „Ereignisse“ und „Bindungen“ deterministische Größen, könnte der Zusam-
menhang zwischen Kapazitätsbestand und Service Level eindeutig bestimmt werden.
Da diese Größen jedoch höchst stochastische Größen sind, sollten idealerweise nicht
nur Durchschnitt und Standardabweichung, sondern auch die Verteilung der Größe über
Zeit bekannt sein. Die Beantwortung der Forschungsfragen zerfällt daher in 4 Teilprob-
leme:
1. Entwicklung eines Modells zur Abbildung des Güterwagenumlaufs anhand der
einzelnen Phasen (Stati).
2. Definition von Kapazitätsbestand, Kapazitätsbedarf und Service-Level innerhalb
dieses Modells.
3. Nachfrageprognose und Ableitung des Kapazitätsbedarfs (Forschungsfrage 1).
4. Untersuchung der Wirkung von Service-Design und Steuerung auf die einzelnen
Stati (Forschungsfrage 2).

Es soll daher im nächsten Schritt ermittelt werden, welche Methoden für diese vier
Teilprobleme bestehen. Im Abschnitt 3 (Kernprozesse des Güterwagenmanagements in
der Literatur) geht es anschließend darum, die Ansätze der bisherigen Forschungsarbei-
ten hierzu auszuwerten und eigene Thesen aufzustellen. Diese werden dann im empiri-
schen Teil der Arbeit anhand einer konkreten Güterwagenflotte der Deutschen Bahn AG
überprüft.

Quantitative Planung und Problemstrukturierung

Die optimale Gestaltung des Güterwagenmanagement ist letztlich ein Planungsproblem
der entscheidungsorientierten Betriebswirtschaftslehre. In der entscheidungsorientierte
Betriebswirtschaftslehre wird Planung als Auswahlproblem unter mehreren Alternativen
dargestellt78. Da es um die Frage geht, welche Entscheidung unter der Annahme
rationalen Verhaltens getroffen werden sollte, handelt es sich bei den in dieser Arbeit
untersuchten Planungsproblemen um Fragestellungen der sogenannten „normativen
Entscheidungstheorie“. Die zur Planung heranzuziehenden Methoden sind der
Operations Research (OR) zuzuordnen.

Es soll daher zunächst eine Totalbetrachtung der zur Verfügung stehenden allgemeinen
Planungsmethoden gemacht werden, um anschließend ihre Eignung für die Lösung der

50
Forschungsfragen sowie ihre bisherige Berücksichtigung in der relevanten Literatur zu
erarbeiten.

Strukturierungsgrade von Planungsproblemen

Als erster Schritt zur Ermittlung geeigneter Lösungsansätze muss ermittelt werden, wie
strukturiert das reale Problems formuliert werden kann. Es gibt nach Adam (1992) vier
Kriterien für den Strukturierungsgrad von Planungsproblemen79:
1. Art und Anzahl der Problemvariablen sind bekannt (Abgrenzung) und in ihren Zu-
sammenhängen (Wirkung) gegeben.
2. Es ist eine operationale (eindimensionale) Zielfunktion gegeben nach der die Lö-
sungsalternativen eindeutig geordnet werden können (Zielsetzung).
3. Es ist ein effizientes Lösungsverfahren zur Bestimmung der optimalen Lösung ge-
geben.
4. Eindeutigkeit der Problemelemente/–strukturen ermöglichen einfache Interpretation.

Erfüllt ein Problem alle Kriterien, so wird es als wohlstrukturiertes Problem, erfüllt es
keine, so wird es als schlechtstrukturiertes Problem definiert80. Wird zumindest Punkt 1
erfüllt, wird von einem scharf definierten Problem gesprochen, ist lediglich der 3. Punkt
nicht gegeben, spricht man von einem wohldefinierten Problem. Abbildung 10 zeigt die
drei Strukturstufen mit ihren Voraussetzungen.

Art/Anzahl der Variablen bekannt

Scharf
definiertes
Wirkungszusammenhänge bekannt Problem

Bewertung der Durchführ- Wohl-

Handlungsergebnisse bar definiertes
Problem
Wohl-
Zielfunktion operational
strukturiertess
Problem
Lösungsverfahren effizient

Abbildung 10: Voraussetzungen von Strukturstufen81

78
Vgl. Heinen, E. (1976), S. 38 ff.
79
Adam, D. (1992), S. 9
80
Berens, W. Delfmann, W. (1995), S. 22; Andere Autoren bezeichnen eine Problem bereits als schlecht-
strukturiert, wenn nur ein Kriterium nicht erfüllt ist; vgl. hierzu Rieper, B. (1992), S. 57ff. und Adam, D.
(1992), S. 10f.
81
Quelle: Berens, W.; Delfmann, W. (1995), S. 22

51
Für ein schlechtstrukturiertes Problem besteht keine eindeutig feststellbare Lösung, was
auch durch Formalisierung alleine nicht gelöst werden kann. Hier muss das Problem
durch Treffen von Annahmen weiter strukturiert werden. Verfügbare Planungsmetho-
den lassen sich einteilen bzgl. ihrer Mindestanforderung an die Strukturiertheit des
zugrundeliegenden Problems bzw. das Problem abbildende Modells. Abbildung 11 zeigt
den Zusammenhang zwischen der Strukturstufe eines Problems und den einsetzbaren
Methoden.

Der Zusammenhang zwischen formaler Problemstruktur eines Modells und der geeigne-
ten Problemlösungsmethodik ist keineswegs ohne Freiheitsgrade, da eine gegeben reale
Problemsituation je nach Bedarf mehr oder weniger strukturiert modelliert werden kann.
Durch Relaxieren des Problems und Treffen geeigneter Annahmen kann ein reales
Problem ausreichend strukturiert modelliert werden – allerdings unter Verzicht auf Rea-
litätsnähe. Wenn ein Problem ohne allzu große Verzerrung der Realität wohlstrukturiert
darstellbar ist, bedeutet das umgekehrt nicht zwingend das Heranziehen einer Optimal-
planungsmethode. Ein gezielter Verzicht auf Konvergenz/Optimalität kann unter dem
Gesichtspunkt der Freiheitsgrade bei der Modellierung und der Realitätsnähe wün-
schenswert sein.

Simulation
Quantitative
Problem-
lösung-
methode
Heuris-

tiken

Anwendbarer
Optimal- Problemlösungs-
-
planung- ansatz
methodik

Wohl- Wohl- Scharf

strukturiertes definiertes definiertes

Problem Problem Problem

Strukturstufe des zu lösenden Problems

Abbildung 11: Problemlösungsansätze und Problemstrukturierung82.

82
Berens, W. Delfmann, W. (1995), S. 49

52
Je nachdem, wie das reale Problem als Modell formuliert werden kann, können mehrere
oder nur bestimmte Methodiken der Planung eingesetzt werden. Für schlecht struktu-
rierte Probleme können in erster Linie qualitative Methoden eingesetzt werden. Wäh-
rend die Güterwagendisposition grundsätzlich die Anforderungen für quantitative Pla-
nungsmethoden erfüllt, gibt es dennoch Teilaspekte im Dispositionsprozess, die qualita-
tive Methoden erfordern. Dies gilt insbesondere dort, wo die Wirkungszusammenhänge
der Einflussvariablen nicht eindeutig bekannt und quantifizierbar sind83.

Im Fall der o.g. 4 Teilprobleme sind Art und Anzahl der Problemvariablen bekannt, und
in ihren Wirkungszusammenhängen grundsätzlich abbildbar. Eine Zielfunktion ist ge-
geben in Form des Zusammenhangs zwischen Service Levels und der Flottengröße. Die
Teilprobleme können daher je nach Realitätsnähe der zugrundegelegten Annahmen als
schlechtstrukturiertes, wohldefiniertes oder gar wohlstrukturiertes Problem modelliert
werden. Im nächsten Abschnitt wird dargestellt, welche Methoden unter realistischen
Annahmen in Frage kommen.

2.2. Untersuchungsmethode

In diesem Abschnitt werden die zur Verfügung stehenden Planungsmethoden nach Ihrer
Eignung zur Lösung der Forschungsfragen hin untersucht. Dabei spielen die Besonder-
heiten des Dienstleistungsmanagements insofern eine Rolle, als die Problemstrukturie-
rung im Dienstleistungserstellungsprozess schwerer fällt als bei einem Gütererstel-
lungsprozess.

Qualitative Methoden
Die wesentlichen qualitativen Planungsmethoden mit denkbarem Bezug zur Leerwa-
gendisposition sind84:
- Checklisten
- Nutzwertanalyse und Scoring-Modelle
- Spieltheoretische Modelle
- Wissensbasierte Systeme (regel- oder fallbasierte Ansätze, Fuzzy-Logic-Ansätze
und künstliche neuronale Netze)

83
Vgl. Danowski, K. (1997), S. 12
84
Vgl. Adam, D. (1996), S. 407f. und Fay, A. (1999), S. 50

53
Während die ersten drei Methoden von geringem Nutzen bei der Leerwagendisposition
sind und auch in der Literatur keine Beachtung gefunden haben85, bieten die Fuzzy-
Logic-Ansätze und Neuronale Netze als Bestandteil von wissensbasierten Systemen
erhebliche Vorteile für die Leerwagendisposition.

In wissensbasierten Systemen werden zwei Arten von „Wissen“ getrennt betrachtet, das
Wissen über das jeweilige Anwendungsgebiet (Wissensbasis) und das allgemeine Prob-
lemlösungswissen (Problemlösungskomponente). Problemlösungsmethoden sind para-
metrisierte Algorithmen wie heuristische Verfahren, neuronale Netze oder Fuzzy-Sets,
die Wissensbasis besteht aus Fakten und Regeln. Diese separate Betrachtung trennt wis-
sensbasierte Systeme von den konventionellen Optimierungsmodellen der Pla-
nung:„während im Bereich der prozeduralen Programmierung diese beiden Arten des
Wissens im Code untrennbar miteinander verbunden sind, liegen beide in
wissensbasierten Systemen streng voneinander getrennt vor“86. Der hierfür entwickelte
Inferenzmechanismus bildet eine Kernkomponente von wissensbasierten Systemen.

Die meisten wissensbasierten Systeme sind statisch, d.h. eine neue Situation, die nicht
explizit im System berücksichtigt ist, kann nicht behandelt werden. Es gibt in der
Literatur jedoch auch verstärkt dynamische Systeme, bei denen neue
Entscheidungssituationen integriert werden (wie z.B. bei neuronalen Netzen). Der
Computer erlernt die Vorgehensweise des Disponenten bei bislang nicht vorgesehenen
Problemfällen und kann bei erneutem Auftreten eine entsprechende Empfehlung geben.

Es gibt mehrere Arbeiten zur wissensbasierten Systemen im Bereich der Leerwagendis-

position, allerdings überwiegen Untersuchungen zu den übrigen Dispositionsproblemen
des Eisenbahnbetriebs (Fahrweg-, Lok- und Zug-Disposition). Tabelle 3 gibt einen Ü-
berblick der wissensbasierten Systeme im Bereich des Eisenbahnbetriebs. Wissensba-
sierte Entscheidungsunterstützungssysteme eignen sich für Aufgaben mit folgenden
Merkmalen87

85
Eine Ausnahme stellt die Arbeit von Adamidou, E. A. et al. (1993) dar, in welcher die optimale Be-
handlung von Wagen anderer Eisenbahnen auf dem eigenen Gleisnetz untersucht wird.
86
Drexl, A. et al. (1995), S. 1137
87
Vgl. Gabriel, R.; Frick, D. (1991), S. 556 und Keen, P. G.; Scott Morton, M. S. (1978), zitiert in Da-
nowski, K. (1997), S. 14

54
 1. Das Problemlösungsverfahren lässt sich nicht standardisieren.
2. Große Informationsmengen, aus denen die relevanten Information schwer selek-
tierbar sind.
3. Notwendige umfangreiche Datenverarbeitung zur Entscheidungsfindung ver-
bunden mit Zeitengpässen für die Entscheidungsfindung.
4. Notwendigkeit zur Auswahl aus einer sehr großen Zahl von Alternativen.

Autor Jahr Einsatzgebiet Verwendete Methode

Kornhauser, H. 1987 Lokomotivdisposition Quantitatives Optimierungsverfahren
Sherali, H. D.; 1988 Güterwagendisposition Entwicklung von 21 Heuristiken durch
Suharko, A. B. lineare Programmierung
Beurrier, A. et al. 1989 Güterwagendisposition (SNCF) Expertensystem, beruht auf Entschei-
dungsbaumverfahren
Komaya, K. ; 1989 Zugdisposition -
Fukuda, T.
Fischer, J. P. 1993 Fahrwegdisposition (Werksbah- (Regelbasieres) Expertensystem
nen)
Potvin, J.-Y. et al. 1993 Güterwagendisposition (dynamisches ) Entscheidungs-
unterstützungssystem mit linearer Pro-
grammierung
Shen, S. et al. 1995 Güterwagendisposition (dynamisches ) Entscheidungs-
unterstützungssystem
Cuena, J. et al. 1995 Verkehrsdisposition Regelbasiertes Expertensystem
Ran, Bin ; 1996 Zugdisposition -
Boyce, D. E.
Danowski, Kamen 1997 Gleichzeitige Zug- und Wagendispo- Kombination algorithmischer und wis-
sition (Personenverkehr) sensbasierter Methoden
Chiang, T.-W. et 1998 Fahrwegdisposition (Regelbasiertes) Expertensystem
al.
Fay, Alexander 1999 Disposition von Loks und Wagen Fuzzy-Logic-Ansatz
Vukadinovic, K. 1999 Güterwagendisposition Kombination von Fuzzy-Logic und Neu-
ronale Netzen
Malavasi, G.; 2001 Fahrwegdisposition Neuronale Netze
Ricci, S.

Tabelle 3: Arbeiten zu wissensbasierten Systemen in der Disposition des Eisenbahnbe-

triebs88

88
Quelle : Eigene Darstellung

55
Obwohl diese Kriterien für alle Aspekte der Güterwagendisposition zutreffen, sind es
Teilprozesse die sich aufgrund der für ihre Durchführung notwendigen impliziten
Kenntnisse für den Einsatz wissensbasierter Systeme eignen. Bei vielen operativen Pro-
zessen der Güterwagendisposition wie z.B. der täglichen Bestandsermittlungen bestehen
erhebliche Informationsasymmetrien und Entscheidungsspielräume, die über mathema-
tische Modelle nicht abgebildet werden können. Ein Hauptbeispiel ist die Entscheidung,
ob ein beim Kunden leer gewordener Wagen als frei verfügbar ins System eingegeben
wird, oder – ungeachtet möglicher anderer Bedarfe – für den nächsten Tag im An-
schluss gelassen wird in Vorwegnahme einer erwarteten Bestellung des Kunden. Es
besteht ein erhebliches strategisches Wissen der Mitarbeiter im Bahnhof sowie in der
zentralen Disposition, das großen Einfluss auf die optimale Abwicklung der Leerwa-
gendisposition hat.

Hinzu kommt, dass in praktisch keinem Eisenbahnverkehrsunternehmen (im Güterver-

kehr) eine rechnergestützte Echt-Zeit-Disposition umgesetzt werden kann89. Da den-
noch rund um die Uhr Verfügungsentscheidungen zu treffen sind (z.B. für eingehende
Grenzwagen und vom Kunden zurückgegebene Wagen), werden in Ermangelung einer
rechnergestützten Wagenverfügung Entscheidungsspielräume durch lokale oder zentrale
Disponenten genutzt.

Trotz dieser Vorteile von Entscheidungsunterstützungssystemen ist die Einführung in

der Praxis bislang noch gering. Empirische Studien von Bargl (1994) und Noll (2003)
zur Verbreitung von Entscheidungsunterstützungssystemen haben ergeben, dass Exper-
tensysteme zur Tourenplanung in der Transportbranche über das Versuchsstadium noch
nicht hinausgekommen sind90. Die Extraktion der heuristischen Entscheidungsregeln
der Disponenten ist ebenso entscheidend wie die Möglichkeit zum Strukturieren und
Unterteilen des Problems in Teilprobleme91. Dies erscheint für Teilprobleme wie der
Bestands- und Bedarfsermittlung, Wagenverfolgung im Ausland etc. realistisch, so dass
die Optimierung von Teilproblemen mit regelbasierten Expertensystemen sinnvoll ist.
Dieser Eignung für diese lokalen Probleme stehen erhebliche Einschränkungen für die
betrachtete Problemstellung gegenüber. Zur Beantwortung von Forschungsfrage 1 und 2
sind weniger Einzelentscheidungen zur Disposition notwendig als vielmehr die Abbil-

89
Vgl. Lang, A. S. et al. (2000), S. 3
90
Bargl, M. (1994), S. X; Noll, T. (2003), S. Y
91
Vgl. Gabriel, R.; Frick, D. (1991), S. 556

56
dung der Wirkungszusammenhänge zwischen Nachfrageschwankungen, Service-Design
und Kapazitätssteuerung . Diese Zusammenhänge sind anhand wissensbasierter Syste-
me praktisch nicht zu beantworten, so dass eine quantitative Methode herangezogen
werden sollte.

Quantitative Methoden
Die zur Problemlösung einsetzbaren quantitativen Methoden lassen sich in drei Klassen
einteilen92:
- Optimalplanungsmethodik
- Methodik der Heuristischen Programmierung
- Simulationsmethodik (Achtung: Simulation ist selber ein heuristisches Verfah-
ren).

Optimalplanungsmethoden: Einsatzmöglichkeiten und Klassifikation

Optimalplanungsmethoden können nur auf wohlstrukturierte Formalprobleme ange-
wendet werden. Für sie bestehen effektive Algorithmen, d.h. ein Algorithmus, der alle
Lösungen nach einer polynomialen Anzahl von elementaren Rechenschritten erreicht.
Optimalplanungsmethoden erfordern meist die Modellformulierung im Rahmen einer
mathematischen Teildisziplin wie z.B. lineare Algebra oder Funktionalanalysis. Die
Kausalbeziehungen des Modells müssen in den Strukturen der Teildisziplin abbildbar
sein, die das formale Instrumentarium liefert. Es bestehen allerdings zahlreiche wohl-
strukturierte Entscheidungsprobleme, für die keine konvergierenden Verfahren existie-
ren. Für andere wohlstrukturierte Entscheidungsprobleme kann bei problemadäquater
Modellierung eine optimale Lösung nicht mit einem vertretbaren Aufwand gefunden
werden.

Methoden der Optimalplanung lassen sich in analytische Verfahren und konvergente

Näherungsverfahren aufteilen. Die wichtigsten analytischen Verfahren sind die Diffe-
rentialrechnung, lineare und nichtlineare Optimierung sowie dynamische Optimierung.
Zu den Näherungsverfahren gehört das direkte Suchverfahren und das Gradientenver-
fahren93.

92
Berens, W. Delfmann, W. (1995), S. 47
93
Vgl. Berens, W.; Delfmann, W. (2002), S. 107f.

57
Es gibt keine uns bekannten Arbeiten, die Probleme des Güterwagenmanagements mit-
tels Differentialrechnung (Lagrange-Funktion) lösen, die meisten Optimierungsmetho-
den bestehen aus linearen Optimierungsansätzen. Die ersten Modelle zur Güterwagen-
disposition waren statische Optimalplanungsmodelle, die als lineare Programmierungs-
probleme (bekannte Nachfrage und Kapazität) formuliert wurden94. Zahlreiche dieser
deterministische Modelle zur Güterwagendisposition wurden als „Traveling Salesman-
Problem“ dargestellt, einem der am häufigsten untersuchten Probleme der Operations
Research. Zur mathematisch exakten Lösung wurden die Simplex- und Transportme-
thode eingesetzt. Ursprungspunkte wurden dabei kostenminimierend Bestimmungs-
punkten zugeordnet unter der Nebenbedingung der begrenzten Leerwagen- bzw. Zug-
kapazitäten.

Die wichtigste Entwicklung während der 70er Jahre war die Einführung von Zeit-
Raum-Netzwerken in die Optimierungsbetrachtung und die Anerkennung der Relevanz
geeigneter Bedarfs- und Kapazitätsprognosen95. Varianten dieser Modelle sind u.a.
- Mehrzielmodelle96, die neben Umsatzmaximierung und Kostenminimierung die
Einhaltung von Service-Levels als Nebenbedingung enthalten. Nachteil hierbei sind
die komplexen Nebenbedinungen und lineare Zielfunktionen.
- Modelle für die Kombination mehrerer Flotten, die mathematisch als „capacitated
multicommodity network flow problem“ dargestellt werden97.
- Modellierung als Flussproblem im Netzwerk anstelle der Darstellung von zeitlich-
räumlichen Diagrammen. Hierbei erfolgt die Lösung durch sog. Out-of-Kilter-
Algorithmen98. Mehrere in der Praxis verwendete Dispositionsmodelle verwenden
diesen Optimierungsansatz.

Vor- und Nachteile der Optimalverfahren in Bezug auf die Forschungsfragen

Der Vorteil von Optimalplanungsmethoden besteht im garantierten Auffinden der ge-
suchten und zulässigen Lösung im Lösungsraum und der effizienten Suche. Auch kön-
nen Trade-off-Analysen besser durchgeführt werden als mit Heuristiken, da dort Ab-
weichungen vom Optimum nicht erkannt werden können.

94
Zu den frühesten dieser Modelle gehören die Arbeiten von Feeney, G. (1957), Leddon, D. C.;
Wrathhall, E. (1968) und Misra, S. C. (1972).
95
Bojovic, N. J. (2002), S. 137
96
Erste Arbeit hierzu von Philipp, C. E. ; Sussman, J. M. (1977)
97
die Arbeiten von Shan, Y. (1985) und Glickman, S. T.; Sherali, D. H. (1985)

58
Der Nachteil besteht vor allem in der aufwendigen Überleitung des realen Problems in
ein formales, wohlstrukturiertes Modell und der dabei notwendigen Vereinfachungen99.
Praktisch alle Optimalplanungsmethoden der Operations Research-Literatur haben vor-
gegebene, bereits formalisierte Probleme zum Ausgangspunkt (Lösungsorientierung),
die explizite Prüfung der Problemorientierung als Teil der Untersuchung bleibt häufig
aus100. Im Fall des „Vehicle Routing problem (VRP)“ sind die wesentlichen Nebenbe-
dingungen nicht geeignet, das reale Problem des Eisenbahnbetriebs abzubilden101:
- Kapazitätseinschränkungen: Die Gesamtnachfrage nach leeren Wagenbewegun-
gen soll die Zugkapazität nicht überschreiten.
- Transportdauer: Maximalgrenze für Beförderungsdauern.
- Zeitfenster-Nebenbedingungen: Jeder Anschluss muss innerhalb eines festgeleg-
ten Zeitabschnittsbesucht werden.

In Realität ist die Zugkapazität abhängig von Trasse, Lok und Zuglänge (d.h. Anzahl
und Art der angehängten Wagen). Da die Zahl der beladenen Wagen pro Zug im Ein-
zelwagenverkehr von z.Zt. keiner Bahn prognostizierbar ist, kann auch die für Leerwa-
gen noch offenstehende Kapazität nicht sicher eingeschätzt werden. Es ist eine stark
schwankende Zufallsgröße.
Ebenso hängt die Beförderungsdauer erheblich von der freien Zugkapazität und Über-
gangszeiten im Rangierbahnhof ab, so dass auch hier keine feste Verbindung zwischen
Leitweg und Transportdauer besteht. Letztlich mag eine Anschlussbedienung bei Groß-
kunden jeden Tag erfolgen. Bei kleineren Kunden jedoch werden Wagen nur dann zu-
gestellt, wenn der Kunde Waren versendet bzw. empfängt, so dass eine Zeitfenster-
Nebenbedingung nicht als statische Größe festlegbar ist.

Die optimale Zuordnung von Leerwagenbestellungen zu Fahrzeugen mittels Optimal-

planungsmethoden mag iterativ ein Herantasten an den notwendigen Wagenpark (For-
schungsfrage 2) möglich sein. Das Durchspielen einer Vielzahl von Szenarien bzgl. der

98
Vgl. hierzu die Arbeiten von White, W. W.; Bomberault, A. M. (1969), Herren, H. (1977) und Kunz-
mann, R; Simonis, W. (1988)
99
Vgl. Berens, W.; Delfmann, W. (1995), S. 115
100
Vgl. Berens, W.; Delfmann, W. (1995), S. 15; Ausnahmen bilden Pfohl H. (1977) und Bretzke, W.
(1980)
101
Vgl. Gendreau, M. et. Al. (1996), S. 3-4

59
o.g. Güterwagenstati zur Klärung der Forschungsfragen 1 und 2 erscheint angesichts der
vereinfachenden Annahmen nicht mehr sinnvoll.

Heuristiken: Einsatzmöglichkeiten und Klassifikation

Der Mangel der deterministischen Systeme besteht in der Ignorierung der dynamischen
Entwicklung von Leerwagenbedarfen und –beständen. Dies und die Notwendigkeit, die
dynamischen Komponenten vorher mit stochastischen Methoden einzuschätzen, führte
zur Entwicklung stochastischer Modelle. Da optimale Methoden nur sehr begrenzte
Probleme lösen können, basieren praktisch alle stochastischen Modelle auf Heuristiken
bzw. Approximationsverfahren102. Ebenso bestehen praktisch alle heute bekannten Tou-
renplanungsverfahren der Praxis auf heuristischen Verfahren103.

Trotz ihrer erheblichen Bedeutung als Lösungsansatz gibt es in der Literatur keine ein-
heit-liche Auffassung zu den Definitionsmerkmalen von Heuristiken104. Es kann nur
festgestellt werden, dass Heuristiken keine konvergenten Verfahren sind, d.h. das Auf-
finden einer optimalen Lösung durch ein- oder mehrmalige Durchführung der Rechen-
schritte ist nicht sicher. Die Güte einer durch Heuristik ermittelte Lösung kann aufgrund
der fehlenden Konvergenz nicht überprüft werden und liegt i.d.R. unter dem globalen
Optimum.

Es bestehen zahlreiche Klassifikationen der heuristischen Verfahren der Güterwagen-

disposition. Auf die Betrachtung heuristischer Verfahren (Relaxation, Dekomposition)
in mathematischen Modellen wird im Rahmen dieser Untersuchung verzichtet. Die üb-
rigen Heuristiken ( vgl. Abbildung 12) werden in der Literatur oft aufgeteilt in „einfa-
che“ oder „klassische“ Heuristiken einerseits und „neuere Ansätze“ bzw. Metaheuristi-
ken andererseits105.

Die „klassischen“ Verfahren werden zunächst unterteilt in sogenannte Eröffnungsver-

fahren und Verbesserungsverfahren.
- Mit Eröffnungsverfahren (Tour-Konstruktionsverfahren) wird eine erste zulässige
Ausgangslösung geschaffen, mit dem Verbesserungsverfahren wird diese Ausgangs-
lösung anschließend weiter verbessert106. Konstruktionsverfahren werden zunächst

102
Crainic, T. G.; Laporte, G. (1997), S. 425
103
Vgl. Kabath, M. (1996), S. 40
104
Vgl. hierzu Streim, H. (1975), S. 143ff.
105
Vgl. Kabath, M. (1996), S. 40
106
Vgl. Kabath, M. (1996), S. 47; Bargl, M. (1994), S. 27; Domschke, W.; Drexl, A. (1990), S. 138;
Gietz, M. (1994), S. 25f.

60
 danach unterschieden, ob die zwei Teilschritte (Clusterung von Kunden zu Touren
einerseits und Bestimmung der Besuchsreihenfolge andererseits) sukzessiv oder si-
multan erfolgen.
o Bei sukzessiven Verträgen werden entweder die Clusterung vor der Be-
suchsreihenfolge (Routing) festgelegt (Cluster-first-Route-second), im
umgekehrten Fall wird zunächst eine Gesamttour gebildet, die anschlie-
ßend in einzelne Teilstücke zerschnitten wird (Route-first-Cluster-
second).
o Bei simultanen Verfahren wird entweder nur eine Tour gleichzeitig op-
timiert (sequentielle Tourkonstruktion), oder gleichzeitig mehrere Tou-
ren (parallele Tourkonstruktion).
- Verbesserungsfahren können weiter danach differenziert werden, ob die Verbesse-
rung lediglich innerhalb einzelner Touren erfolgt (Intra-Tour-Verbesserung, bei de-
nen die gleichen Kunden je Tour besucht werden) oder über verschiedene Touren
hinweg (Inter-Tour-Verbesserung).

„Klassische Heuristiken“ Neuere Verfahren/

Meta-Heuristiken
Tour- Tour-
verbesserungs- Konstruktions-
verfahren verfahren
-Local Search
-Tabu Search
Intra- Inter-
Tour Tour -Genetic Algorithm
Sukzessive Simultane -Simulated Annealing
- K-opt Verfahren Verfahren -Neuronale Netze
- 2-opt -Fuzzy Logic
- 3-opt
-Or-opt
Sequentielle Parallele
Cluster Route Tour- Tour-
First, First, konstruktion konstruktion
Route Cluster
Second Second - Savings-Verf.

- Sweep-Verf. - Tour-
- GAP-Algorithm Partitioning-Verf.
- Best Neighbour
- Insertion-Algorithm

Abbildung 12: Klassifikation der für die Güterwagendisposition einsetzbaren

Heuristischen Verfahren107.

107
Quelle: Eigene Darstellung; vgl. hierzu die Klassifikationen von Gietz, M. (1994), S. 26 und Kabath,
M. (1996), S. 49;

61
Neben den „klassischen“ Heuristiken bestehen mehrere sogenannte „neuere Verfahren“
bzw. Metaheuristiken. Sie gehören zwar zu den Verbesserungsverfahren, akzeptieren
aber im Gegensatz zu den klassischen Methoden vorübergehend auch Verschlechterun-
gen von Lösungen108. Dadurch können sie lokale Optima wieder verlassen, weswegen
sie oft deutlich bessere Resultate erzeugen als „klassische“ Heuristiken.

Eine detaillierte Darstellung auch nur der wesentlichen Forschungsarbeiten in den ein-
zelnen Untergattungen der klassischen und neueren Heuristiken würde den Rahmen
dieser einleitenden Untersuchung sprengen. Unabhängig der erzielten Fortschritte in
Leistungsfähigkeit der Heuristiken und Breite der betrachteten Probleme teilen dennoch
praktisch alle Arbeiten gemeinsame Vorzüge und Defizite bzgl. der o.a. Forschungsfra-
gen.

Vor- und Nachteile der Heuristiken in Bezug auf die Forschungsfragen

Im Gegensatz zu Optimalplanungsmethoden unterscheiden sich Heuristiken nicht nur
bzgl. des Rechenzeitbedarfs, sondern auch in Bezug auf die Lösungsqualität. Während
Optimal-planungsmethoden per Definition bereits optimale Ergebnisse erzielen, können
sich alternative Heuristiken in konkreten Problemstellungen als höchst ineffizient er-
weisen109.
Beurteilungsverfahren für heuristische Verfahren bedienen sich daher sogenannten in-
put- und outputorientierten Kriterien (Lösungswahrscheinlichkeit, Lösungsqualität und
Ressourcenaufwand) zum Vergleich mit Optimalplanungsmethoden110.

Gegenüber Optimalplanungsmethoden bieten Heuristiken eine deutliche Verbesserung

im Rechenzeitverhalten und einer Erweiterung der zu betrachtenden Probleme. Aus
diesem Grund haben Heuristiken für deterministische aber auch stochastische Modelle
in der Forschung eine wichtige Rolle. Dennoch bedeuten auch die erweiterten Annah-
men von Heuristiken immer noch eine starke Differenz zwischen Prozessvoraussetzun-
gen des Eisenbahnbetriebs einerseits und notwendiger Problemeingrenzung anderer-
seits. Da Heuristiken keine Aussage über die Lösungsqualität ermöglichen, sind Sensi-
tivitätsbetrachtungen durch stufenweise Anpassung der Inputwerte nur sehr einge-
schränkt aussagekräftig. Damit ist Forschungsfrage 2 nicht zu beantworten, und auch

108
Vgl. Domschke, W.; Drexl, A. (1990), S. 32
109
Vgl. Müller-Meerbach, H. (1976), S. 86
110
Vgl. Berens, W.; Delfmann, W. (1995), S. 127

62
Forschungsfrage 1 (notwendiger Güterwagenbestand) ist nur näherungsweise ermittel-
bar111.

Simulation: Einsatzmöglichkeiten und Klassifikation

Die Simulation bildet neben Heuristiken und Optimalplanungsmethoden die dritte Me-
thodenklasse der quantitativen Planung. Die Simulation wird generell bezeichnet als
Experimentieren mit Modellen, um Aussagen über das Verhalten der nachgebildeten
Problemstellung abzuleiten112. Das Einsatzgebiet der Simulation ist daher wesentlich
breiter als das von Heuristiken und Optimalplanungsmethoden. Während auch andere
Methoden zur Nachbildung der Realität eingesetzt werden, ist das gezielte Experimen-
tieren am Modell fast nur durch Simulationsmethoden möglich. Simulation eignet sich
im Gegensatz zu Optimalplanungsmethode und Heuristiken auch für scharf definierte
Probleme. Mit Simulationsmethoden werden keine optimalen Ergebnisse erzielt; der
simulationsbasierte Planungsprozess entspricht im Gegensatz zum Einsatz der beschrie-
benen Heuristiken mehr einem Austesten verschiedener Varianten als der Ermittlung
eines Einzelergebnisses.

Die Hauptziele von Simulationen liegen in der Risikominimierung durch verbessertes

Verständnis komplexer Zusammenhänge und systematischen Vergleich von Planvarian-
ten 113:
- Vermeidung von Planungsfehlern bei sehr komplexen Systemverhalten (Progno-
sefunktion). Variantenvergleich und Grenzleistungsbestimmung (Sensitivitäts-
analyse). Dadurch Ermittlung von Parameterkonstellationen, die bzgl. eines
Ziels/Zielbündels ein bestmögliches Ergebnis „abschätzbar gut“ erzielt.
- Besseres Verständnis des dynamischen Systemverhaltens und Quantifizierung
des Einflusses bestimmter Systemparameter.
- Beurteilung stochastischer Einflüsse und Entwicklung von Ausweichstrategien
bei komplexen Störungen.

Simulationsmodelle werden üblicherweise nach den Hauptkriterien Zeitverhalten, Zeit-

ablaufsteuerung, Sicherheit und Zeitfortschritt der betrachteten Ereignisse unterteilt.
Abbildung 13 zeigt die wichtigsten Varianten.

111
Vgl. Bojovic, N. J. (2002), S. 168
112
Vgl. Berens, W.; Delfmann, W. (2002), S. 130
113
Vgl. Jünemann (1989), S. 578

63
 Zeit-
Kontinuierliche Diskrete
Bezug
Modelle Modelle

Ereignis- Aktivitäts- Prozess- Zeitablauf-

orientiert orientiert orientiert steuerung

Sicherheit
Deterministisch Stochastisch

Zeitfortschritt
Statisch Dynamisch des Modells

Abbildung 13: Klassifikation der für die Güterwagendisposition einsetzbaren

Simulationsansätze114

Nach dem Zeitverhalten werden kontinuierliche und diskrete Simulationsmodelle unter-

schieden. Bei kontinuierlichen Modellen ändern sich die Merkmale im Zeitverlauf stän-
dig, während sie sich bei diskreten Modellen nur zu bestimmten Zeitpunkten ändern115.

Kontinuierliche Simulationsmodelle bestehen meist aus Differential- oder Differen-

zen-gleichungen, welche die kontinuierlichen Systemänderungen entweder direkt (Dif-
ferential-gleichungen) oder näherungsweise (Differenzengleichungen) abbilden. Konti-
nuierliche Modelle werden daher bei naturwissenschaftlichen Problemen eingesetzt,
während ganzzahlige Planungsprobleme wie die Güterwagendisposition diskrete Simu-
lationsmodelle erfordern. Im Rahmen dieser Arbeit kommt daher nur ein diskretes Si-
mulationsmodell in Frage.

Diskrete Simulationsmodelle werden nach der Zeitablaufsteuerung weiter unterteilt in

aktivitätsorientierte, ereignisorientierte und prozessorientierte Modelle. Zur besseren
Übertragbarkeit auf das betrachtete Problem werden die simulierten Zustandsänderun-
gen mit dem Güterwagenbestand eines Kunden bzw. eines Bahnhofs gleichgesetzt und

114
Quelle: Eigene Darstellung
115
Scholtissek, P. (1996), S. 10

64
die Aktivität mit der Summe der Güterwagenbewegungen, welche den Systemzustand
(Bestände je Kunde/Bahnhof) zu bestimmten Zeitpunkten (Systemereignisse) ändern.
- Bei aktivitätsorientierten Modellen wird die Systemzeit in konstanten Zeitschrit-
ten hochgesetzt, und der Systemzustand jeweils aktualisiert. Aktivitäten werden
durch Ereignisse gestartet und beendet116. Übertragen auf die Güterwagendispositi-
on werden die Wagenbestände je Kunde/Bahnhof in fixen Abständen (z.B. täglich
morgens um 6 Uhr) aktualisiert. Die Auswirkung der Güterwagenbewegungen auf
den 6-Uhr-Bestand wird simuliert, nicht aber die Zeitdauer der Transporte selbst o-
der deren Reihenfolge bzw. der exakte Eingangs-/Ausgangszeitpunkt von Güterwa-
gen zwischen den 6-Uhr-Erfassungen.
- Bei ereignisorientierten Modellen wird die Systemzeit und der Systemzustand
jeweils beim Eintritt eines Ereignisses erhöht, Ereignisse selbst (d.h. die Güterwa-
genabfahrt-/ankunft) verbrauchen keine Systemzeit117. Bezogen auf die Güterwa-
gendisposition wird jeder Ein- und Ausgang der Güterwagen mit seinem spezischen
Zeitpunkt erfasst und simuliert. Die Güterwagenbestände werden nach jeder Wa-
genbewegung neu ermittelt. Ein spezifisches Problem der ereignisorientierten Mo-
delle besteht in der Notwendigkeit, die Interdependenzen zwischen den Ereignissen
abzubilden118. D.h. es können z.B. nicht mehr/andere Wagen von Standort A abfah-
ren, als vorher dorthin gefahren wurden.
- Bei prozessorientierten Modellen wird die Systemzeit wie bei den ereignisorien-
tierten Modellen jeweils beim Eintritt eines Ereignisses erhöht und dabei der Sys-
temzustand aktualisiert. Allerdings wird das System nicht aus der „Vogelperspekti-
ve“, sondern aus der Sicht der teilnehmenden Einheit, d.h. hier des Güterwagens o-
der auch des Kunden/Bahnhofs abgebildet. Es laufen für jedes Systembestandteil ein
Prozess mit aktiven und Ruhe-Perioden, der erst endet, wenn der Systembestandteil
das System wieder verlässt119. Die einzelnen Aktivitäten überlappen sich dabei. Be-
zogen auf die Güterwagendisposition würde ein prozessorientiertes Modell entwe-
der individuelle Fahrzeuge im Prozessverkauf mit Leerzuführung, Beladung, Trans-
port und Entladung etc. abbilden oder aber die einzelnen Standorte mit den Be-
standsänderungen zu individuellen Zeitpunkten. Entscheidend ist der inhaltliche Zu-
sammenhang, der bei prozessorientierten Modellen zwischen den einzelnen Aktivi-

116
Scholtissek, P. (1996), S. 6; Liebl, F. (1995), S. 91
117
Vgl. Scholtissek, P. (1996), S. 65
118
Liebl, F. (1995), S. 94
119
Liebl, F. (1995), S. 107

65
 täten modelliert wird. D.h. ein Fahrzeugtransport von Standort A zu Standort B
muss als zwei voneinander abhängige Ereignisse dargestellt werden. Da für pro-
zessorientierte Modelle ein hoher Verwaltungsaufwand notwendig ist, kommt sie
seltener bei selbsterstellten Simulationsprogrammen und eher in Spezifikationsspra-
chen zum Einsatz120.

Angesichts der o.g. Forschungsfragen scheint die aktivitätsorientierte Simulation die

zweckmäßigste Untersuchungsmethode für das betrachte Güterwagendispositionsprob-
lem zu sein. Sie ermöglicht eine aggregierte Simulation der Wagenbedarfe und –
bestände, ohne die einzelnen Wagenbewegungen mit individuellem Transportablauf
abbilden zu müssen. Da bei der Deutschen Bahn AG jeden Tag über 60.000 Wagenbe-
wegungen durchgeführt werden, erscheint eine aggregierte Betrachtung zweckmäßig,
um die Vielzahl der Einflussfaktoren auf die Wagenbindung überhaupt abbilden zu
können.

Neben dem Kriterium der Zeitablaufsteuerung sind einige weitere Kriterien relevant zur
Eingrenzung des geeigneten Simulationsansatzes.
- Deterministische vs. stochastische Simulation: Bei deterministische Simulations-
modellen sind die Inputgrößen fest bekannt, während bei stochastischer Simulation
Zufallsgrößen als Inputvariablen verwendet werden. Aufgrund der starken Schwan-
kungen in Wagenbedarf, Bindungs- und Transportzeiten ist für die Lösung der o.g.
Forschungsfragen ausschließlich die stochastische Simulation geeignet.
- Statische vs. dynamische Simulation: Bei dynamischer Simulation gibt es – im
Gegensatz zur statischer Simulation – Modellgrößen, die sich im Zeitablauf än-
dern121. Da beim betrachteten Problemfall zumindest die Inputvariablen Güterwa-
genbedarf und Versandstruktur (d.h. auch die entsprechenden Transport- und Bin-
dungszeiten) sich im Zeitverlauf ändern, ist eine dynamische Simulation vorzuzie-
hen.
- Sonstige Eingrenzungen: In der Literatur wird neben den genannten Hauptkriterien
noch unterschieden zwischen rückgekoppelten vs. nicht rückgekoppelten, terminie-
renden vs. nicht terminierenden sowie stationären vs. nicht-stationären Simulati-

120
Pidd, M. (1992), S. 74
121
Vgl. Biethahn, J. (1999), S. 24

66
 onsmodellen122. Evtl. bestehende Rückkopplungen der Outputgrößen Wagenbe-
darf/Wagenkapazität auf die Inputgrößen wie Wagenbindung und Wagenbestellung
bestehen zwar zu einem gewissen Umfang in der Realität, sind jedoch praktisch
nicht modellierbar. Daher wird aus Gründen der Komplexitätsreduktion ein nicht-
rückgekoppeltes Simulationsmodell vorzuziehen sein. Da im Zeitverlauf der Güter-
wagendisposition (Wochenverlauf, Saisonverlauf, Konjunkturverlauf) weder ein
feststehendes Ende des simulierten Prozesses besteht, noch ein „eingeschwunge-
ner“, statischer Systemzustand erreicht wird, kann man darüber hinaus von einem
nicht-terminierenden und nicht-stationären Modell sprechen, das die Güterwagen-
disposition abbildet.

Vor- und Nachteile der Simulation in Bezug auf die Forschungsfragen

Eine diskrete Simulation mit aktivitätsorientierter Zeitablaufsteuerung und stochasti-
schen bzw. sich im Zeitablauf verändernden Modellgrößen bietet – innerhalb der Simu-
lationsverfahren - die größten Vorteile in Bezug auf die Forschungsfragen. Aufgrund
der Komplexität und kontinuierlichen Veränderung der Güterwagendisposition bildet
das Simulationsmodell keine Rückkopplung von exogenen auf endogene Größen ab, ist
nicht-stationär und nicht-terminierend.

Nachteile des Simulationsverfahrens liegen im Bereich der stochastischen Simulation

in der notwendigen Validierung der streuenden Ergebnisse mit statistischen Testverfah-
ren sowie der aufwendigen Modellentwicklung123. Da im Rahmen dieser Arbeit jedoch
erstmalig umfangreiches Datenmaterial der Güterwagenumlaufzeiten eingesetzt werden
kann, scheint dieses Problem beherrschbar zu sein.

Obwohl Forschungsfrage 1 grundsätzlich auch mit Optimalplanungsmethoden oder

Heuristiken beantwortet werden kann, besteht beim Einsatz Simulationen erheblich
größerer Freiraum bzgl. der zu treffenden Annahmen. Bezüglich der Problemabbildung
besteht keine Grenze der Detaillierung, die aus der Methode selbst resultiert124. Für

122
Vgl. Biethahn, J. (1999), S. 24; Hoover, S. V.; Perry, R. F. (1990), S. 306 und 309; Liebl, F. (1995),
S. 147
123
Vgl. Biethahn, J. (1999), S. 6
124
Vgl.Griffel, N. (1999), S. 30

67
Trade-off-Analysen durch Vergleich verschiedener Konstellationen von Wagenbedarf
und Service-Leveln sind Simulationen und Heuristiken die einzigen realistisch einsetz-
baren Methoden.

Forschungsfrage 2 ist mit Optimalplanungsmethoden und mit Heuristiken nur sehr ein-
geschränkt lösbar. Eine Sensitivitätsanalyse aller Eingangsgrößen scheitert bei anderen
Methoden als der Simulation an der Komplexität der zugrundegelegten Wirkungszu-
sammenhängen. Daher ist der Einsatz von Simulation die am ehesten geeignete
Methode zur Ermittlung der Optimierungspotenziale der Güterwagendisposition. Der
oben eingegrenzte Simulationsansatz wird daher in Abschnitt 5 und 6 verwendet wer-
den, um die Forschungsfragen anhand einer empirischen Studie zu beantworten.

2.3. Fazit

Grundlage für den Zusammenhang zwischen Kapazitätsbedarf und Kundenanforderun-

gen ist die Güterwagenumlaufzeit. Sie beschreibt, wie lange ein Wagen zwischen zwei
Kundenaufträgen gebunden ist. Die Güterwagenumlaufzeit zerfällt in 7 Phasen, soge-
nannte Stati. Anhand eines Stati-Modells des Güterwageneinsatzes sollen in dieser Ar-
beit die Größen Kapazitätsbestand, Kapazitätsbedarf und Service-Level beschrieben
werden.
- Durch Prognose der Bedarfsschwankungen nach Güterwagen wird Forschungsfrage
1 gelöst.
- Durch Prognose der Hebelwirkung von Service-Design und Kapazitätssteuerung auf
die Güterwagenumlaufzeit wird Forschungsfrage 2 gelöst.

Die theoretische Grundlage der Forschungsfragen bildet die normative Entscheidungs-

theorie. Als Untersuchungsmethode werden Planungsmethoden herangezogen. Die als
Untersuchungsmethode in Frage kommenden Planungsmethoden unterscheiden sich
nach den Anforderungen an den Strukturierungsgrad des gestellten Problems. Hierbei
besteht ein Trade-off zwischen der Realitätsnähe der Modellannahmen und der Stärke
der einsetzbaren Problemlösungsmethoden.

Die betrachteten Planungsmethoden umfassen qualitative und quantitative Planung:

- Methoden der qualitativen Planung sind zur Beantwortung der Forschungsfragen
nicht geeignet.

68
 - Methoden der quantitativen Planung wurden in Optimalplanungsverfahren, Heu-
ristiken und Simulationen aufgeteilt. Aufgrund der Notwendigkeit zur Durchfüh-
rung von Sensitivitätsanalysen mit hoch stochastischen Größen sind nur Simula-
tionsverfahren zur Lösung der Forschungsfragen geeignet.
Die gewählte Untersuchungsmethode ist daher eine diskrete Simulation mit aktivitäts-
orientierter Zeitablaufsteuerung und stochastischen bzw. sich im Zeitablauf verändern-
den Modellgrößen.

69
3. Kernprozesse des Güterwagenmanagements in der Literatur

In Abschnitt 3 wird die relevante Literatur nach Aussagen über die beiden
Forschungsfragen hin untersucht:
- Wie viel Wagenkapazitäten benötigt man angesichts gegebener Systemparameter
(exo-gener Nachfrage- und Kapazitätsschwankungen), um ein bestimmtes Service-
Level zu erreichen?
- Welche der beeinflussbaren Rahmenbedingungen haben den größten Hebel auf die-
ses Verhältnis von Wagenkapazitäten zu Service-Leveln?

Die Untersuchung wird gegliedert nach den einzelnen Kernprozessen des Güterwagen-
managements (vgl. Abschnitt 1.2.2.). Die bereits in Abschnitt 1.3. verwendete Tabelle 4
zeigt, welche Teile der Kernprozesse zur Beantwortung welcher Forschungsfrage he-
rangezogen werden:
Kernprozess des Gü- Kernprozess 1: Kernprozess 2: Umsetzung Kernprozess 3: Kapazi-
terwagenmanagements Prognose der Kun- der Kundenerwartungen in tätssteuerung im Rah-
denerwartung Kapazitätsbedarf men der Leistungs-
Forschungsfrage erstellung
Bedarf Wagenkapazi- Nachfrageprognose: - Ableitung des Kapazitäts-
täten je Service-Level bei - Wagenbestellungen bedarfs zur Erzielung eines
gegebenen Systempara- (quantitativ) bestimmten Service-Levels. Nur indirekte Berücksich-
metern - Zeitliche Bindung tigung im Rahmen des
beim Kunden (quali- Service-Designs
tativ)
Bestimmung der größten Simulation der Wirkung des Simulation der Wirkung
Hebel auf Verhältnis von Nur indirekte Berück- Service Designs: von:
Wagenkapazitäten zu sichtigung im Rahmen - Beförderungsart - Disposition zur Leer-
Service-Level. der Wirkung von - Zugfrequenz laufminimierung.
Produkt- und Preisdif- - Lagerung von Wagen beim - Wagenbezogener Pro-
ferenzierung Kunden. dukt- und Preisdifferen-
zierung
Tabelle 4: Überblick die je Kernprozess betrachteten Einzelfragen und Ihren Bezug zu
Forschungsfragen125

Anhand der Besonderheiten des Dienstleistungsmanagements sowie der bereits vorlie-

genden Erkenntnisse zu den einzelnen Kernprozessen werden Thesen zu den For-

125
Quelle : Eigene Darstellung

70
schungsfragen entwickelt. Diese Thesen werden im empirischen Teil (Teil II) der Arbeit
geprüft anhand einer empirischen Studie des Güterwagenmanagements der Deutschen
Bahn AG.

3.1. Prognose der Kundenerwartung

Im Abschnitt 3.1. werden Methoden und Ergebnisse der Prognose von Kundenerwar-
tungen untersucht. Die Prognose der Kundenerwartung bestimmt zusammen mit dem
Service-Design die Größe der vorzuhaltenden Güterwagenflotte.

Die Kundenerwartung im Güterwagenmanagement umfasst eine qualitative und eine

quantitative Komponente (vgl. Abschnitt 1.2.).
- Die quantitative Komponente (Abschnitt 3.1.1.) umfasst den über die Zeit verteilten
Bedarf an Gütertransporten (Lastläufe); sie definiert, wie viele Wagen ein Kunden
versenden will und ihm daher leer zur Verfügung gestellt werden müssen.
- Die qualitative Komponente (Abschnitt 3.1.2.) hingegen umfasst Umfang und Fle-
xibilität der zeitlichen Bindung des Güterwagen im Kundeneinsatz.

Sowohl die qualitative als auch die quantitative Nachfragekomponente einer Güterwa-
genflotte müssen zur Beantwortung der Forschungsfrage 1 bekannt sein: Wie viel Wa-
genkapazitäten benötigt man angesichts gegebener Systemparameter (exogener Nach-
frage- und Kapazitätsschwankungen), um ein bestimmtes Service-Level zu erreichen?

3.1.1. Qualitative Kundenanforderungen

Leistungsdimensionen des Schienengüterverkehrs

Die qualitativen Kundenanforderungen an das Güterwagenmanagement leiten sich von
den qualitativen Anforderungen an die Verkehrsleistung eines Transportunternehmens
ab. Das Güterwagenmanagement ist trotz seiner hohen Bedeutung für den Schienengü-
terverkehr nur ein Prozess zur Transportdurchführung. In der Literatur wird diese quali-
tative Kundenanforderung daher überwiegend im Rahmen der Anforderungen an die
Transportleistung insgesamt betrachtet.

Voigt (1973) entwickelte als Qualitätskriterien für Verkehrsleistungen das Konstrukt

der Verkehrswertigkeit. Verkehrswertigkeit beschreibt die potenzielle Leistungsfähig-
71
keit des Verkehrssystems (vgl. Dienstleistungen als Leistungsversprechen in Abschnitt
1.1.)126. Sie wird definiert durch Merkmale der Verkehrswege, Verkehrsmittel und Or-
ganisation der Leistungserstellung. Tabelle 5 nennt die einzelnen Kriterien der Ver-
kehrswertigkeit.

Es bestehen zwar zahlreiche Arbeiten zur Einordnung des Schienengüterverkehrs inner-

halb dieser Kriterien der Verkehrswertigkeit, die Auswirkungen auf das Güterwagen-
management wurden allerdings bisher wenig untersucht. Es sollen daher die Kriterien
der Verkehrswertigkeit untersucht auf Rückschlüsse für die qualitativen Anforderungen
an das Güterwagenmanagement hin untersucht werden.

Kriterium Beschreibung
Netzbildungs- Eignung eines Verkehrssystems zur direkten Durchführung von Transporten zwi-
Fähigkeit schen allen relevanten Raumpunkten. Dadurch Möglichkeit zur Durchführung
flächendeckender Transportvorgänge im Gegensatz zur Bedienung isolierter Rela-
tionen; abhängig von der spezifischen Infrastrukturdichte.
Spezifische Transport- Versand-Empfangs-Transportdauer; neben der reinen Fahrtzeit definieren Um-
geschwindigkeit schlag, Rangierzeiten u.a. Stillzeiten die Transportdauer.
Pünktlichkeit/ Fähigkeit zur festgelegten Abfahrts-, Fahrt- und Ankunftszeiten. Gegenüber der
Berechenbarkeit Transportgeschwindigkeit als mittlere Transportdauer definiert die Variabilität der
Transportdauer die Pünktlichkeit.
Transportsicherheit Umfasst Unfallhäufigkeit und Transportschadensquote
Bequemlichkeit= Möglichkeit zur kurzfristigen zeitlichen Dispositionsänderung für den Versender;
Zeitliche Flexibilität wird u.a. beeinflusst von den verfügbaren Güterwagenkapazitäten bzw. der Tras-
senverfügbarkeit.
Massenleistungs- Fähigkeit zum Transport großer Mengen zu niedrigen Kosten.
Fähigkeit
Tabelle 5: Kriterien nach dem Konzept der Verkehrswertigkeit von Voigt (1973)127

- Netzbildungsfähigkeit: Dies umfasst die Eignung eines Verkehrssystems zur direk-

ten Durchführung von Transporten zwischen allen relevanten Raumpunkten. Sieht
man vom Güterumschlag und dem Containertransport im Kombinierten Verkehr ab,
so ist die Flächendichte der Eisenbahnunternehmen begrenzt durch die Zahl vorhan-
dener Gleisanschlüsse. Da jedoch fast alle großen Industriefirmen über Gleisanschlüs-

126
Vgl. Voigt (1973), S. 69
127
Quelle: Voigt (1973), S. 69-105

72
 se verfügen, ist im Bereich der schienenaffinen Güter eine durchaus mit dem Lkw
vergleichbare Netzbildungsfähigkeit gegeben.
- Spezifische Transportgeschwindigkeit: Bezüglich der Transportdauer bietet der
Lkw gegenüber Binnenschiff und Eisenbahn deutliche Vorteile. Während im Lkw-
Transport Nachtsprungverbindungen innerhalb Deutschland zum Standard gehören,
ist dies im Schienenverkehr nur auf eingeschränkten Strecken möglich. Eisenbahnen
haben daher stets den Trade-off zwischen günstiger Preisstruktur und längeren/ unzu-
verlässigeren Transportdauern im Auge zu behalten128. Da Versender immer häufiger
Transportplaninformationen für Ihre Abrechnung sowie die Produktions- und Distri-
butionsplanung verlangen, entsteht starker Marktdruck für Eisenbahnen, besser ter-
minierte und geplante Betriebsprozesse einzuführen129. Umfragen belegen allerdings
immer wieder, dass es die Schwankungen in der Transportdauer sind, welche den Gü-
terverkehr von der Schiene auf den Lkw ziehen – und nicht die durchschnittliche
Transportdauer selber130.
- Pünktlichkeit/Berechenbarkeit: Dies umfasst die Fähigkeit zur festgelegten Ab-
fahrts-, Fahrt- und Ankunftszeiten. Dieser Qualitätsanforderung wurde mit Abstand
der größte Teil der akademischen Untersuchungen des Schienenverkehrs gewidmet,
da hier auch die größten Defizite bestehen. Gegenüber dem Lkw hat die Schiene je
nach Transportrelation mehr oder minder große Defizite in der Transportdauer und
auch in der Pünktlichkeit. Dies liegt an den Verzögerungen durch die Zugbildung und
–auflösung in Rangierbahnhöfen.
- Transportsicherheit: Der Schienengüterverkehr ist mit dem Binnenschiff zusammen
das sicherste Transportmittel. Die Schadensquote liegt allerdings aufgrund der Ran-
gierstöße für empfindliche Güter im Bereich des Lkw oder sogar darüber (so z.B. im
Stückverkehr)131. Die Untersuchung der oberen vier Kriterien der Verkehrswertigkeit
verspricht keine direkten Erkenntnisse über die qualitativen Kundenanforderungen
des Güterwagenmanagements. Anders sieht es mit Massenleistungsfähigkeit und zeit-
licher Flexibilität aus.
- Massenleistungsfähigkeit: Dies umfasst die Fähigkeit eines Verkehrssystems zur
Bewältigung größter Transportmengen innerhalb kurzer Zeit, oft im Bereich von meh-
reren tausend Tonnen Tagesaufkommen pro Versandstandort. Die Massenleistungsfä-

128
Vgl. Keaton, M. H. (1991), S. 363
129
Vgl. Kwon, O. K. et al. (1998), S. 101
130
Vgl. Dejax, P.; Bookbinder, J. H. (1991), S. 223
131
Vgl. Backhaus, K. et al. (1992), S. 42

73
 higkeit spielt im Bereich der schüttbaren Massengüter wie Kohle, Erz, Kalk, Kali und
Getreide eine entscheidende Rolle. Hier hat der Schienentransport entscheidende
Vorteile gegenüber dem Straßentransport. Nur das Binnenschiff bietet (allerdings oh-
ne große Netzbildungsfähigkeit) noch größere Massenleistungsfähigkeit. Die Massen-
leistungsfähigkeit bedingt hohe Sendungsgrößen, die über zwei Wege erzeugt werden.
Beide Wege haben starke Auswirkung auf den qualitativen Güterwagenbedarf.
o Beschleunigung der Be-/Entladevorgänge über Automatisierung und
Standardisierung. Besonders bei schüttfähigen Massengütern wie Kohle
oder Kalk ist dies durch Schwerkraftbe-/entladung der Wagen oder
Schiffe sichergestellt. Dass Güterwagen losgelöst vom Bedienpersonal
durch den Kunden eingesetzt werden können erleichtert die Automatisie-
rung/Standardisierung weiter.
o Lange Be-/Entladedauern: Durch Sammlung beladener und entladener
Wagen können ganze Zuggarnituren zum geschlossenen Transport ge-
sammelt werden. Dies ist z.B. beim Transport von Stahlcoils der Fall, die
per Kran be-/entladen werden.
- Zeitliche Flexibilität: Dies umfasst die Möglichkeit zur kurzfristigen zeitlichen Dis-
positionsänderung für den Versender. Bzgl. der zeitlichen Flexibilität bietet die Schie-
ne für viele Industrieunternehmen entscheidende Vorteile. Dies gilt insbesondere für
die Flexibilität bei der Beladung/Entladung von Güterwagen. Die mittlere Be-
/Entladenfrist beträgt im Schienengüterverkehr bis zu 3 Tagen, liegt also deutlich über
den Werten von Lkw und Binnenschiff. Da dies nur einen Mittelwert darstellt, kann
diese Frist für Teile der Beladevorgänge massiv über-/unterschritten werden. Gegen-
über dem Lkw bietet die Schiene daher die Möglichkeit eines betrieblichen Zwischen-
lagers, was die Gesamtlogistikkosten der Kunden zu senken hilft.

Auswirkung auf das Güterwagenmanagement

Die Massenleistungsfähigkeit und die zeitliche Flexibilität des Schienengüterverkehr
spielen daher einen entscheidenden Kundennutzen. Die qualitative Kundenanforderung
an das Güterwagenmanagement ist daher die lange und sehr flexible Versorgung mit
Güterwagen im Rahmen des Be-/Entladevorgangs. In einigen Arbeiten wird der hohe
Bedarf an Güterwagenkapazitäten modelliert, der zur Sicherstellung einer hohen Pünkt-
lichkeit vorhanden sein muss132. Die Bedeutung der Ladefristdauer, der Sicherheit der

132
Vgl. vor allem Kwon, O. K. et al. (1995), S. 34 und Holmberg, K. et al. (1998), S. 170.

74
Güterwagengestellung und der Flexibilität der Güterwagenbindung für Kunden und
Güterwagenkapazität wurde jedoch u.E. noch nicht untersucht.

In der Literatur überwiegen vielmehr Untersuchungen zu qualitativen Anforderungen an

den Lastlauf. Eine der wenigen wissenschaftlichen Untersuchungen zu den Qualitätsan-
forderungen der deutschen Versender an den Schienengüterverkehr stammt von Back-
haus et al. (1992). In einer Befragung von 117 Verladern und Spediteuren konnten
Backhaus et al. (1992) über Conjoint-Befragung anhand der o.g. Qualitätskriterien drei
Marktsegmente für den Schienengüterverkehr isolieren. Ausgehend von der Befragung
wurden Empfehlungen für die Marktbearbeitung der einzelnen Segmente abgeleitet :
- „Die Lkw-Affinen“: Erhöhung der Schienenaffinität durch Einrichtung von Gü-
terverkehrszentren (GVZ). Angebot von Kombiniertem Ladungsverkehr (KLV)
und Wagenladungsverkehr zwischen GVZ. Vermarktung über Spediteure.
- „Die Preisorientierten“: Direktvermarktung und Eingehen langfristiger Wert-
schöpfungspartnerschaften mit Key Accounts.
- „Die Terminsensiblen“: Nachtsprungangebot mit stundengenauem Service und
Vermarktung über Spediteure.
In dieser Studie werden weder zur Güterwagenknappheit in Hochbedarfsphasen noch
zur Bedeutung ausreichend flexibler Belade-/Entladezeitfenster Aussagen gemacht, ob-
wohl deutsche Industrieverbände diese Qualitätskriterien in Positionspapieren und Pres-
seerklärungen einfordern133. Wenn auch die Bedeutung der Güterwagenversorgung für
alle Segmente die Voraussetzung für den Transport ist, so kam es in der jüngeren Ver-
gangenheit im Bereich der Transporte von Stahl, Schrott, Getreide, Holz und Baustof-
fen zu größeren Knappheiten. Es ist also das Segment der „Preisorientierten“, in wel-
chen die Güterwagenversorgung Probleme bereitet. Der empfohlene Direktvertrieb und
enge betriebliche Verzahnung zwischen Eisenbahnverkehrsunternehmen und der jewei-
ligen Werksbahnen ist in diesen Branchen auch bestehende Praxis und bietet Ansatz-
punkte zur Verbesserung des Güterwagenmanagements.

133
Siehe hierzu das Positionspapier der Wirtschaftsvereinigung Stahl vom Oktober 1999, S. 7f.. Darin
werden detaillierte Forderungen zur Wagengestellung, Waggonbau und Be/Entladedauern aufgestellt.
Eine nähere Beschreibung dieser Anforderungen erfolgt in Abschnitt 3.

75
Als These zur qualitativen Kundenanforderung kann daher formuliert werden:
- Die zeitliche Bindung der Güterwagen durch den Kunden schwankt stark.
- Die (dadurch resultierende) flexible Nutzung von Wagenkapazitäten puffert interne
Prozesse der Verlader und stellt ein wichtiges Leistungskriterium der Eisenbahn
dar.
Auswirkung für die Forschungsfrage 1: Ohne Berücksichtigung langer und flexibel
schwankender Be-/Entladedauern wird der Güterwagenbedarf zur Abdeckung eines
Verkehres zu klein bemessen (vgl. Abschnitt 3.2.1.).

3.1.2. Quantitative Bedarfsprognose

Der Güterwagenbedarf von Kunden ergibt sich neben der zeitlichen Bindung vor allem
durch die Zahl der nachgefragten Transporte (Lastläufe). Die Literatur der quantitativen
Kundenanforderungen umfasst daher sowohl Arbeiten zur Transportprognose als auch
Arbeiten, die sich direkt mit dem Bedarf an Güterwagen beschäftigen. Zur Abbildung
von Nachfragespitzen ist dabei die Prognose von Tageswerten im Güterwagenbedarf
wichtig, so dass die bestehenden Prognosemodelle an dieser Anforderung zu messen
sind.

Prognosemodelle
Der Transportbedarf ergibt sich als „abgeleitete“ Nachfrage aus der Menge der produ-
zierten Güter und der Arbeitsteilung der Volkswirtschaft. Im Rahmen der Model-Split-
Prognosen gibt es eine Vielzahl von Modellen, welche aufgrund von Wirtschaftswachs-
tum in bestimmten Güterbereichen (Güterstruktureffekt) sowie Kundenanforderungen
(Transportmittelwahlentscheidung) die Transportmenge je Verkehrsträger ermitteln134.
Die Prognosemodelle treffen Aussagen über die Versand-/Empfangsorte meist relativ
aggregiert auf Grundlage der volkswirtschaftlichen Statistik, d.h. maximal bis auf Kreis-
Ebene heruntergebrochen. Die Prognoseperioden für Modal-Split-Aussagen umfassen

134
Zu den führenden deutschen Instituten in diesem Bereich gehört die Beratergruppe Verkehr und Um-
welt (BVU) in Freiburg. Im Auftrag der Deutsche Bahn AG erstellt die BVU Langfrist-
Marktentwicklungsszenarien für den Schienengüterverkehr, basierend auf der volkswirtschaftlichen Ent-
wicklungsprognose und Nachfrageelastizitäten bzgl. verschiedener Angebotsparameter.

76
meistens Jahresprognosen, seltener Monatsprognosen. Da der Aussagegehalt dieser
Modelle für die Forschungsfragen sehr gering ist, wird auf diese Modelle in dieser Ar-
beit nicht weiter eingegangen. Arbeiten zur ausschließlichen Nachfrageprognose im
Eisenbahngüterverkehr sind demgegenüber relativ selten135. Tabelle 6 zeigt die Unter-
suchungsgebiete und Prognosemethoden dieser Arbeiten.

Autor Jahr Untersuchungsgebiet Zeit- Methode

raum
AAR 1975 Auswertung des wöchentlichen Güterwagenaufkommens Woche Zeitreihen-A.
der Amerikanischen Güterverkehrsbahnen
Babcock/ 1981 Langfrist-Prognose des Transportaufkommens im Produzie- Jahr Zeitreihen-A.
German renden Gewerbes (Regional/National)
Buxton 1982 Wagenbedarfsprognosen für Getreideverkehre (20-Jahres- Jahr Kausalmodell
Zeitraum).
Babcock/ 1982 Langfrist-Prognose des Transportaufkommens der Land- Jahr Zeitreihen-A.
German wirtschaft (3-5 Jahre)
Poff/Kuch 1982 Prognosemodell der „Consolidated Rail“-Eisenbahn; prakt. Jahr -
keine Diskussion der verwendeten Methodik
Babcock/ 1983 Langfrist-Prognose des Transportaufkommens im Produzie- Jahr Zeitreihen-A.
German renden Gewerbes (Intercity-Transport)
Stern/Cobb 1985 Prognosemodelle der Wagenmiete; prakt. keine Diskussion Jahr -
der verwendeten Methodik
German/ 1985 Ökonometrische Modelle zur Aufkommensprognose (3-5 Jahr Zeitreihen-A.
Babcock Jahre)
Priewe/ 1997 Wagenbedarfsprognosen für Getreidewagen Monat Kausalmodell
Wilson
Bab- 1999 Wagenbedarfsprognosen für Getreidewagen Quartal Kausalmodell
cock/Lu/No
rton
Vachal/ 2000 Wagenbedarfsprognosen für Getreideverkehre (10-Jahres- Jahr Experten-
Bitzan Zeitraum). Befragung
Twele 2000 Aufkommensprognose für Transport-Relationen (Clustera- Woche Zeitreihen-A.
nalyse von Wochen-Ganglinien).
Tabelle 6: Untersuchungen zur Nachfrageprognose im Eisenbahngüterverkehr136

Fast alle Arbeiten prognostizieren den Güterwagenbedarf in Jahres- oder Monatswerten;

nur Twele (2000) prognostiziert Wochenwerte aus Basis von Betriebsstatistiken aus

135
Vgl. Babcock, M. W. et al. (1999), S. 43
136
Quelle: Eigene Darstellung

77
Eisenbahnbetrieben. Die grundsätzlich einsetzbaren Prognosemethoden lassen sich ein-
teilen in subjektive Prognosemethoden (Befragung von Aussendienst-Mitarbeitern,
Kunden oder Experten) und objektive Prognosemethoden wie Kausal- und Zeitreihen-
modelle. Nur die Studie von Vachal/Bitzan (2000) erstellt eine (Jahres-
)Aufkommensprognose über Experten-Befragung; alle übrigen Arbeiten beruhen auf
Kausal- oder Zeitreihenmodellen. Für den Einsatz von Expertenbefragungen spricht,
dass in einigen Güterbereichen die Aufkommenskonzentration auf die Hauptversender
sehr groß sein kann. Dass Befragungen allerdings aussagekräftig sein können zur Auf-
kommensschwankungen auf Tages- oder Wochenebene, ist anzuzweifeln. Daher wer-
den subjektive Prognosemethoden nicht weiter betrachtet.

Die beiden objektiven Prognosemethoden (Kausalmodelle und Zeitreihenanalysen) un-

terscheiden sich hinsichtlich der Datenanforderungen. Bei Kausalmodellen ist neben der
Komplexität der Einflüsse eines der Hauptprobleme, über die zur Auswertung notwen-
digen abhängigen/unabhängigen Variablen in geeigneten Zeitreihen verfügen zu kön-
nen. Zeitreihenmodelle benötigen lediglich eine entsprechend lange Zeitreihe der ab-
hängigen Variablen. Die Gegenüberstellung von Kausal- und Zeitreihen-Modellen soll
die Unterschiede anhand der o.g. Arbeiten verdeutlichen:
- Priewe/Wilson (1997) ermitteln die Wagennachfrage anhand des Anreizes für Ge-
treidehändler/Farmer, Weizenbestände für einen weiteren Monat zu lagern, anstelle
ihn zu verkaufen. Inputvariablen sind die monatlichen Entwicklung von Getreide-
preisen, Lagerkapazität, Kapitalzinsen und Transportkosten137. Die Daten werden
nur im Rahmen des Optionsbewertungsmodells ausgewertet; die Autoren machen
keine Angabe zum Erklärungswert des Modells.
- Babcock, M. W. et al. (1999) versuchen ein ähnliches, einfacheres Kausalmodell,
dass den Wagenbedarf nur an der Preisdifferenz zwischen Versand- und Empfang-
sorten festmacht. Der Vergleich der Prognosewerte mit Ist-Daten zeigt allerdings
sehr niedrige Korrelationen. Die Autoren führen dies auf die Komplexität der
138
Transportentscheidungen der Versender zurück . Die anschließende Zeitreihen-
analyse nutzt die Box-Jenkins-Methode (ARIMA): Die Autokorrelation der Zeitrei-
he wird ausgenutzt, z.B. wenn niedrige Werte typischerweise von hohen Werten ge-
folgt sind. Mit der ARIMA-Zeitreihenanalyse werden sehr hohe Erklärungswerte er-

137
Vgl. Priewe, S. R.; Wilson, W. W. (1997), S. 3
138
Vgl. Babcock, M. W. et al. (1999), S. 49

78
 reicht: 96,3 % der Nachfrageschwankungen werden durch vorhergehende Nachfra-
gewerte erklärt.
- Twele, H. (2000) untersucht mittels Clusteranalyse die Wochen-Zeitreihen von Re-
lationsaufkommen.

Kausalmodelle können daher nur dann eingesetzt werden, wenn die unabhängigen Vari-
ablen auch im der benötigten Detailgrad vorliegen. Im Fall des Güterwagenmanage-
ments (Transportpreise, Güterpreise, Güterproduktion etc) ist dies maximal auf Monats-
basis möglich, wie die Beschränkung der bisherigen Kausalmodelle auf Monatswerte
zeigt.

Die quantitativen Kundenanforderungen an den Güterwagenbedarf selber wurden in der

Literatur durchgängig nur am Rande betrachtet:
- Vernachlässigung der Wagenbestellungen: Alle Arbeiten außer denen zu Getrei-
dewagen beziehen sich auf das Transportaufkommen, nicht auf den Wagenbedarf.
Die Bedarfsprognose von Güterwagen ist daher kein breit untersuchtes Thema der
Literatur. Das Vorliegen der Arbeiten zur Bedarfsprognose von Getreidewagen zeigt
allerdings, dass die Güterwagenversorgung in einigen Branchen erhebliche Bedeu-
tung hat. Traditionell haben die nordamerikanische Getreideproduzenten und –
händler jedes Jahr nach der Ernte an chronischer Unterversorgung mit Wagenmate-
rial gelitten. Aufgrund der starken Exportorientierung der Getreideproduktion und
der starken saisonalen Schwankung ist der entsprechende Aufbau von Wagenkapa-
zitäten für befriedigende Service-Level auch nicht wirtschaftlich sinnvoll139. Das
Ausmaß dieser Probleme und die Abwesenheit geeigneter Allokationsmechanismen
führte in den 90er Jahren zur Entwicklung eines Optionsscheinhandels auf die Ver-
sorgung mit Güterwagen140.
- Keine Trennung von bestellten und versendeten Wagen: Keine der Arbeiten
zum Güterwagenbedarf trennt zwischen den vom Kunden abgegebenen Wagenbe-
stellungen und dem tatsächlichen Bedarf, d.h. den versendeten Gütern. Die Progno-
se wird vielmehr stets auf die tatsächlich versendeten Wagen ausgerichtet. Diese
Zahl kann allerdings signifikant unter den Wagenbestellungen des Kunden liegen,

139
Vgl. Beshers, E.W. et al. (1994), S. 421f.
140
Vgl. Priewe, S. R.; Wilson, W. W. (1997), S. 1. Auf diese Allokationsmechanismen wird im GAP 3
näher eingegangen.

79
 wie Priewe/Wilson (1997) feststellen141. Um diese Lücke zu schließen, kann auf ei-
ne reichhaltige Literatur zum Bestellverhalten in mehrstufigen Lagerhaltungssyste-
men zurückgegriffen werden. Im Eisenbahngüterverkehr wurde dieser Effekt jedoch
bisher nicht untersucht.
- Keine ausreichende Berücksichtigung der Bedarfsschwankungen: Die Bedarfs-
prognosen auf Jahresbasis lassen keine realistische Auswertung der Schwankungs-
breiten im Güterwagenbedarf zu. In der weiteren Untersuchung werden diese Ansät-
ze daher nicht weiter betrachtet. Bereits in den Prognosen auf Wochen-, Monats-
oder Quartalsbasis sind die Schwankungen allerdings stark. In der Untersuchung
von Babcock et al. (1999) schwanken die Quartalsbedarfe um 10 % um den mittle-
ren Quartalsbedarf. In den Untersuchungen von Priewe/Wilson (1997) schwanken
die monatlichen Wagenbedarfe um durchschnittlich 29 % um den mittleren Monats-
bedarf und um 16 % um den mittleren Quartalsbedarf142. Twele (2000) ermittelte
ähnlich starke Schwankungen für das Wochenaufkommen auf bestimmten Ver-
kehrskorridoren der DB Cargo AG143. Gegenüber dem Lkw scheinen die typischen
Nachfrageschwankungen im Eisenbahngüterverkehr eher Schwankungen im Wo-
chenverlauf zu sein gegenüber eher unterjährigen Schwankungen auf Wochen- und
Monatsbasis beim Lkw144. Eine Aufkommensprognose auf Tagesbasis besteht im
Gegensatz zu anderen Verkehrsträgern in Eisenbahngüterverkehr noch aus. Der
Hauptgrund hierfür liegt weniger in einer Lücke der zugrundegelegten Analyseme-
thoden als vielmehr am Mangel von öffentlich zugänglichen Daten auf Tagesba-
sis145.

Diese Ergebnisse zeigen, dass jede Nachfrageprognose, die eine sinnvolle Datenbasis
für die Kapazitätsdimensionierung sein soll, unterjährig sein muss. Die Schwankungs-
breiten der Wagennachfrage in den Studien ist um so stärker, je kürzer die betrachteten
Zeitperioden sind. Daher sollte eine Nachfrageprognose Aussagen auf Wochen- oder
idealerweise Tagesbasis ermöglichen. Eine offene Frage für die empirische Untersu-
chung bleibt, wie stark die Wagenbestellungen auf Tagesbasis schwanken. Die hohe

141
Vgl. Priewe, S. R.; Wilson, W. W. (1997), S. 1
142
Vgl. Priewe, S. R.; Wilson, W. W. (1997), S. 5
143
Vgl. Twele, H. (2000), S. 50
144
Vgl. dazu Sherali, H. D.; Tuncbilek, C. H. (1997), S. 236
145
So der Fall bei Twele, H. (2000), S. 46-50 (hier Eisenbahnverkehrsstatistik auf Wochenbasis), sowie
bei Priewe, S. R.; Wilson, W. W. (1997) und Babcock, M. W. et al. (1999) (dort die Aggregation der
Wageneinsätze auf Wochen im Rahmen der AAR-Verbandsstatistik und das Vorliegen von Daten zum
Getreidemarkt auf Monatsbasis).

80
Bedeutung von Bedarfsspitzen für die Güterwagenvorhaltung und die meist fehlenden
Tagesdaten der Inputfaktoren bei Kausalmodellen legen es nahe, zur Prognose
kurzfristiger Bedarfsschwankungen Zeitreihenanalysen über Regression oder anhand
klassifizierter Ganglinien zurückzugreifen.

Die Thesen zur quantitativen Kundenanforderung können daher wie folgt formuliert
werden:
Kausalmodelle eignen sich weniger zur Prognose als Zeitreihenmodelle.
Die Bedarfe schwanken tageweise stärker als wöchentlich
Bestellungen sind z.T. größer als der tatsächliche Güterwagenbedarf.

Erklärungsansätze für Nachfrageschwankungen:

Der Peitscheneffekt am Beispiel der U.S.-Getreidewagen
Trotz Verzicht auf Kausalmodelle sollten allerdings die Ursachen für das oben ange-
sprochene Auseinanderfallen von gemeldetem und tatsächlichem Bedarf verstanden
werden. Ein Verständnis der Treiber von Nachfrageschwankungen ermöglicht die Plau-
sibilisierung von Schwankungen in der Wagenbestellung. Denn es besteht die Gefahr,
durch strategische Information der Versender eine zu hohe Kapazitätsdimensionierung
vorzunehmen. Umgekehrt besteht ggfs. die Möglichkeit zur Nivellierung extremer
Nachfrageschwankungen mit zu niedriger Kapazitätsdimensionierung.

Über die Abgabe von „Phantombestellungen“ für Güterwagen wird nur im Bereich der
Getreideverkehre berichtet. Daher soll versucht werden, die dort feststellbaren Nachfra-
geschwankungen mit ähnlich starken Nachfrageschwankungen in anderen Industrien zu
vergleichen und Parallelen zu bestimmen. Die Situation im U.S.-Getreideverkehr ist
gekennzeichnet durch:
- chronische Knappheit an Güterwagenkapazität
- stärkere Schwankungen in der Nachfrage nach Wagen
- Abgabe von „Phantombestellungen“.

Vergleichbare Phänomene gibt es in zahlreichen Industrien, die durch mehrstufige Zu-

lieferer-Abnehmer-Strukturen gekennzeichnet sind wie Automobilhandel, Computer-
vertrieb oder Lebensmittelhandel. In diesen Industrien werden sie als „Bullwhip“-Effekt
oder „Whiplash“-Effekt bezeichnet, von der peitschenähnlichen Verlauf der Nachfrage-
81
kurven146. In der volkwirtschaftliche Literatur wird von sogenannten „Vertical
Restraints“ gesprochen, wenn in Ketten unabhängiger Kunden-Lieferanten-Ketten sub-
optimale Ressourcenallokation stattfindet. Die Lagerhaltung ermöglicht Produzenten,
Produktionsschwankungen zu vermeiden, Skaleneffekte auszunutzen und damit Kosten
zu senken. Die Variabilität der Produktionsserien sollte daher geringer sein als die ent-
sprechenden Absatzschwankungen, was aber z.B. im Fall der Automobilindustrie nicht
der Fall ist147. In mehreren volkswirtschaftlichen Arbeiten wurde nachgewiesen, dass es
die (s,S)-Lagerhaltungspolitik, Lieferfristen und positiv korrelierte Nachfrageentwick-
lung sind, die zur Verstärkung der Nachfrageschwankungen in vorgelagerten Produkti-
onsstufen führen148.

Die besondere Relevanz des „Bullwhip“-Effektes für Logistikketten ergibt sich daraus,
dass die einzelnen Stufen eine Rückkoppelung aufweisen. Vahrenkamp (200a) bezeich-
net die einzelnen Stufen der Logistikkette daher als „rückgekoppelte Systeme mit zeit-
verzögerten Vorgängen“150. Lee et al. (1997) nennen vier Hauptursachen für die Ver-
stärkung von Nachfrageschwankungen in mehrstufigen Ssystemen152:
- Verzerrungen bei der Prognose der Nachfrage
- Auftragsbündelung durch vorgeleitete Einheiten
- Preisvariationen
- Auftragskontingentierung und Engpasspoker.
Es soll daher untersucht werden am Fallbeispiel der Getreideverkehre, in welchem Um-
fang diese Rahmenbedingungen vorliegen:

Verzerrungen bei der Prognose der Nachfrage: Die Varianz der Bestellungen erhöht
sich in einer (s,S)-Lagerhaltungspolitik, wenn die Order-up-to-Level an die bisherige
Nachfrageentwicklung angepasst werden. Entsprechende Lagerhaltungsmodelle eignen
sich für Branchen mit starken Nachfrageschwankungen. In Anlehnung an das Bayesche
Theorem der bedingten Wahrscheinlichkeit schließen diese Modelle von der Zunah-
me/Abnahme der Nachfragehöhe auf eine erhöhte bedingte Wahrscheinlichkeit für eine
weiter gesenkte/erhöhte Nachfrage in der Folgeperiode.

146
Vgl. Lee, H. L. et al. (1997b), S. 93
147
Vgl. Blanchard, O. J. (1983), S. 365
148
Vgl. Caplin, A. S. (1985), S. 1395f., Blinder, A. S. (1982), S. 334 und Kahn, J. A. (1987), S. 667
150
Vahrenkamp, R. (2000a), S. 107
152
Lee, H. L. et al. (1997c), S. 80

82
Die Beispielrechnung (Abbildung 14) anhand der Zahl der monatlich versendeten Ge-
treidewagen nach Priewe/Wilson (1997) zeigt, wie eine Extrapolation der Wagenbedar-
fe die monatlichen Nachfrageschwankungen nach Leerwagen von 29 % auf 61 % des
Mittelwertes ansteigen lässt153. Dieses Aufschaukeln erfolgt grundsätzlich auf jeder hie-
rarchischen Bestellebene. Im Fall der Getreidehändler also der Farmer, der Getreide-
händler und den Eisenbahnbetriebe.

3 0 .0 0 0
2 5 .0 0 0
2 0 .0 0 0
1 5 .0 0 0
1 0 .0 0 0
5 .0 0 0
0
1 3 5 7 9 1 1 1 3 1 5 1 7 1 9 2 1 2 3

Abbildung 14: Beispielrechnung der Wirkung von Anpassungen der Bestellgröße an die
bisherige Nachfrage154

Wir wissen nicht, über wie viele Stufen die Informationen im Getreidehandel verarbei-
tet werden. Allerdings wird die Schwankung um so größer, je länger die Lieferdauer ist.
Die Lieferdauer ist mindestens mit der Umlaufzeit der Güterwagen, also ca. 2 Wochen
anzusetzen.

Auftragsbündelung durch vorgeleitete Einheiten: Die Bündelung von Bestellungen er-

folgt meist zur Senkung der Stückkosten der Bestellung. Dabei werden zwei Formen der
Bestellung unterschieden; regelmäßige Bestellung in konstanten Intervallen und in un-
regelmäßigen Schüben155. Beide Bestellformen können zur Verstärkung der Nachfrage-
schwankungen führen. Die Bestellungen in konstanten Intervallen (z.B. wöchentlich,
zweiwöchentlich, monatlich etc.) erfolgen oft kundenübergreifend zu ähnlichen, bran-
chenüblichen Zeitpunkten. Und Bestellungen in unregelmäßigen Schüben können zur
starken zeitlichen Bündelung der Nachfrage führen, wenn bestimmte fixe Bestellmen-
gen erforderlich sind.

Im betrachteten Fall der Getreidetransporte erfolgt die Bestellung schubweise. Ent-

scheidend sind hierbei die Transport-Mindestmengen, welche die Ganzzug-Beförderung

153
Vgl. Vgl. Priewe, S. R.; Wilson, W. W. (1997), S. 5
154
Quelle: Eigene Darstellung

83
vorschreibt. Eine Vergleichsrechnung der amerikanischen Getreidehändler zeigt, dass
eine erhebliche zeitliche Bündelung der Nachfrage erfolgt:
- Aufgrund geographischer Voraussetzungen liegen die Zugverbände der nordameri-
kanischen Eisenbahnen in Wagenzahl und Gewicht deutlich über europäischen
Maßstäben. Sogenannte „Single Car“- und „Multi-Car“ Shipments umfassen ca. 25
bzw. 25-49 Wagen und werden für inländische Empfänger benutzt. Seehafen-
Verkehre für den Export von Getreide werden typischerweise in „Unit-Train“-
Verbänden und „Shuttle-Trains“-Verbänden von 50-99 Wagen bzw. über 100 Wa-
gen eingesetzt.
- Die gesamte U.S.-Flotte an Getreidewagen (330.000 Wagen in 1999) transportiert
jährlich ca. 25,3 Mrd. Bushel Getreide, bzw. 7,6 Mio. Wageneinsätze156. Die daraus
resultierende Umlaufzeit von 15,8 Tagen stimmt auch mit empirischen Studien von
Kwon, O. K. et al. (1995) überein157.
- Da die Wagenbestellungen über die ca. 8000 Getreidehändler in den U.S.A abgewi-
ckelt werden, kommt jeder Händler auf durchschnittlich 10-38 Zugbestellungen pro
Jahr. Damit bestellt er je nach Verkehrsstruktur durchschnittlich alle 9-36 Tage Gü-
terwagen zur Beladung.

Selbst bei Versendern, die weit überdurchschnittliche Größe haben, kommt es daher zu
einer starken Bündelung der Güterwagenbestellung. Diese Bündelung führt zu hochgra-
dig sprunghaften Bestellungen von Getreidewagen.

Preisvariationen: Im Großhandel zahlreicher Konsumgüter führen Rabattaktionen zu

zeitlich vorgezogenen Bestellungen, denen Perioden sehr geringer Bestellung folgen158.
Dies führt zur zeitlichen Entkopplung der Bestellung beim Zulieferer und der zugrunde-
liegenden Nachfrage – und damit zur Verstärkung von Nachfrageschwankungen.

Im Fall des Getreidetransports gibt es keine Anpassungsmechanismen im Transport-

preis. Die Transportpreise sind – im Gegensatz zum Verhalten zahlreicher Spediteure –
bislang nicht kKnappheitsorientiert. Dies liegt an der historischen Vertragsstruktur, in

155
Vgl. Lee, H. L. et al. (1997b), S. 96
156
Vgl. Vachal, K.; Bitzan, J. (2000), S. 39; Der typische Getreidewagen hat eine Ladekapazität von
3.300 Bushel/263.000 Pfund bzw. ca. 66 Tonnen - ca. 2/3 über den in Europa üblichen Getreidewagen.
157
Kwon, O. K. et al. (1995), S. 7
158
Lee, H. L. et al. (1997c), S. 81; bis zu 80 % der Transaktionen zwischen Lebensmittelherstellern und
Handelsfirmen sollen per Terminkaufvereinbarungen erfolgen.

84
der feste Jahreskontrakte mit festen Preisen und variablen Abnahmemengen dominie-
ren. Allerdings führen Preisschwankungen auf regional getrennten Getreidemärkten
ebenso wie Preisschwankungen anderer Verkehrsträger zum gleichen Effekt.
- Preiseffekt des Transportgutes: In der Studie von Priewe/Wilson (1997) werden
monatliche Schwankungen im Getreidepreis der Zielmärkte von ca. 80 % um den
Mittelwert angesetzt159. Diese Schwankungen führen zu Arbitragehandel auf den
Getreidemärkten, der die zugrundliegende (stabile) Nachfrage nach Getreide massiv
verzerrt.
- Modal-Split-Effekt: Der Weizentransport in den U.S.A. erfolgt aufgrund der Ex-
portorientierung meist über sehr lange Strecken, auf denen die Systemvorteile von
Schienentransport bzw Binnenschiff dominieren (Güterstruktureffekt). Daher wird
die Nachfrage nach Getreidewagen auch durch Wasserstandsveränderungen beein-
flusst160.

Auftragskontingentierung und Engpasspoker: Sobald die Nachfrage das Angebot über-

schreitet, muss der Zulieferer einen Allokationsmechanismus einsetzen, welcher die
verfügbare Kapazität auf die Kunden aufteilt. Übliche Verteilungsschlüssel sind die
relativen Anteile am Gesamtabsatz oder das Ranking nach Abnahmevolumen. Solange
jedoch keine absoluten Bestellgrenzen oder Abbestellregelungen festgelegt sind, besteht
ein massiver Anreiz für die Abnehmer, überhöhte Bestellungen abzugeben, die ggfs.
nach Beendigung der Knappheit abbestellt werden161. Im Fall der Getreidetransporte
bestehen seit mehreren Jahren kurzfristig und langfristig gehandelte Optionen auf Gü-
terwagenkapazitäten. Erfüllen die Eisenbahnen Ihre Options-Garantie nicht, so werden
Pönalen gezahlt. Trotz dieses Mechanismus wird in mündlichen Befragungen der Bran-
chenexperten die Ausfallwahrscheinlichkeit bei Vorliegen dieser Optionen mit 0-5 %
aller Wagenbestellungen für langfristige und 5-15 % für kurzfristige Optionen ange-
setzt162. Das Ausfallrisiko ohne Marktinstrumente zur Knappheitsallokation liegt um ein
Vielfaches über dieser Größe. Da die mittlere Lagerhaltungskapazität eines Getreide-
händler bei nur ca. 1,1 Mio. Bushel Getreide liegt, bedeutet der Ausfall eines „Unit-
Train“-Verbandes von 100 Wagen die Blockade von ca. 30 % der Lagerhaltungskapazi-

159
Vgl. Priewe, S. R.; Wilson, W. W. (1997), S. 6
160
Vgl. Babcock, M.W. et al. (1999), S. 47-48; die Nachfrage nach Getreidewagen korreliert in der Studie
zu
81 % mit dem Weizen-Versand von U.S.-Häfen.
161
Lee, H. L. et al. (1997a), S. 551
162
Vgl. Priewe, S. R.; Wilson, W. W. (1997), S. 11

85
tät163. Es liegt auf der Hand, dass ohne Abbestellentgelte für Güterwagen ein massiver
Anreiz zur Abgabe überhöhter Bestellungen seitens der Getreidehändler vorliegt – was
zur Verstärkung des Güterwagenbedarfs gegenüber den zugrundeliegenden Nachfrage-
schwankungen führt.

Als Ergebnis lässt sich damit festhalten, dass zumindest drei der vier Voraussetzungen
für den sogenannten “Bullwhip-Effektes“ bei den Getreidetransporten auf der Schiene
vorliegen. Im Fall der verzerrten Bedarfsprognose kann nur vermutet werden, dass ein
Bayescher Ansatz verwendet wird. Sollten diese Voraussetzungen ganz oder teilweise
auch auf das im empirischen Teil untersuchte Güterwagenmanagement der Deutschen
Bahn AG zutreffen, so würde dies die aufgestellten Thesen zur quantitativen Kundenan-
forderung unterstützen.

3.2. Bestimmung des Kapazitätsbedarfs

In diesem Abschnitt wird die Ableitung des Kapazitätsbedarf zur Erfüllung der quantita-
tiven und qualitativen Anforderungen untersucht. Dies erfordert erstens die Planung des
Leistungserstellungsprozesses (Service Design) und zweitens die Ableitung des sich aus
Service-Design und Kundenanforderungen ergebenden Wagenbedarfs.
- Abschnitt 3.2.1: Das Service-Design, d.h. der geplante Leistungserstellungsprozess,
stellt einen durch das Eisenbahnunternehmen beeinflussbaren Hebel auf die Gü-
terwagenproduktivität dar. Die Untersuchung der Literatur zum Service-Design
dient daher der Entwicklung von Thesen zu Forschungsfrage 2: Welche der beein-
flussbaren Rahmenbedingungen haben den größten Hebel auf dieses Verhältnis
von Wagenkapazitäten zu Service-Leveln?
- Abschnitt 3.2.2.: Die Untersuchung von Methoden zur Ableitung des Wagenbedarfs
dient zur Entwicklung von Thesen zu Forschungsfrage 1: Wie viel Wagenkapazitä-
ten benötigt man angesichts gegebener Systemparameter (exogener Nachfrage-
und Kapazitätsschwankungen), um ein bestimmtes Service-Level zu erreichen?

3.2.1. Service Design

In Abschnitt 3.2.1. soll der Einfluss des Service-Designs auf den Güterwagenbedarf
untersucht werden. Die Größe einer Güterwagenflotte wird neben der Kundennachfrage
auch durch die Art der Leistungserstellung bestimmt. Selbst wenn die Anforderungen

163
Vgl. Priewe, S. R.; Wilson, W. W. (1997), S. 4

86
der Kunden in qualitativer Sicht (zeitliche Bindung bei Be-/Entladung) und in quantita-
tiver Sicht (Schwankungen in der Zahl der nachgefragten Lastläufe) bekannt sind, kann
die Güterwagenproduktivität noch nicht bestimmt werden. Die saisonale Schwankungen
im Güterwagenbedarf stellen zwar einen der Haupthebel in der Güterwagenproduktivi-
tät dar164. Es fehlen zur Ermittlung des Kapazitätsbedarfs neben Be-/Entladefrist aller-
dings die zeitliche Bindung durch Transport, unbeschäftigte Standzeiten und Instandhal-
tung. Alle Aspekte des Güterwageneinsatzes, die nicht direkt durch Kundenanforderun-
gen bestimmt werden, ergeben sich aus dem Service-Design. Das Service Design um-
fasst alle Aspekte der Dienstleistungserstellung, welche vor der konkreten Leistungser-
stellung stattfinden. Grundsätzlich haben alle Teilaspekte des Service Designs Auswir-
kungen auf die Güterwagenproduktivität. Nur drei Aspekte haben allerdings einen so
starken Einfluss auf den Güterwagenbedarf, dass sie im Rahmen dieser Arbeit betrach-
tet werden:
- Welche Relationen werden durch direkte Zugverbindungen (Ganzzug), welche
durch indirekte Zugverbindungen (Einzelwagen) bedient?
- Wie häufig fahren die Züge von und zum Kunden?
- Wohin werden nicht benötigte leere Wagen in Erwartung zukünftiger Nachfrage
hinverfügt?

Einfluss des Einzelwagenanteils auf die Transportdauer

In Ganzzugverbindungen werden alle Wagen einer Sendung ohne weitere Behandlung
(Rangierarbeiten) direkt vom Versand- zum Empfangsort gesendet. Im Einzelwagen-
verkehr werden die Wagen einzelner Versender in Rangierbahnhöfen nach gemeinsa-
men Zielregionen gebündelt, um so Traktionskosten zu sparen, was eine deutliche Lauf-
zeitverschlechterung der Güterwagen gegenüber dem Ganzzug bedeutet. Während Last-
lauf und Leerlauf selber zeitlich nicht zu stark ins Gewicht fallen, verursacht die Konso-
lidierungsvorgang im Rangierbahnhof lange Bindungszeiten. Die Wirkung unterschied-
licher Konsolidierungsgrade bzw. Einzelwagenanteile am Last- und Leerlauf einer Gü-
terwagenflotte hat daher großen Einfluss auf die Produktivität. Dieser Effekt wird aller-
dings nur in wenigen Arbeiten untersucht:

164
Crainic, T. G. (1990), S. 13

87
- Nach einer Untersuchung der United States Railway Association (USRA, 1975) teilt
sich die Gesamtbindung der Güterwagen aller Mitgliedsbahnen außerhalb der Kun-
denanschlüsse wie folgt auf165:
o 18,9 % der Zeit wurden im Leer-/Lastlauf verbracht.
o 37,2 % der Zeit wurden in den Versand-/Empfangs-Satelliten verbracht
o 43,4 % der Zeit wurden in Rangierbahnhöfen verbracht.
- Morgenbesser (1978) untersuchte als erster ein Nabe-Speiche Schienennetz mit vier
Speichen. Er bestimmte das kritische Verkehrsvolumen, das die Einrichtung einer
Direktverbindung an der Nabe vorbei rechtfertigen würde (d.h. die Einsparung an
Güterwagenbindung die Zusatzkosten des Transports überschreitet). Ebenso wurden
die Kostenschwelle für Zugverbindung bestimmt, ab der bei bestehendem Umsatz
die Einrichtung neuer Direktverbindungen wirtschaftlich wäre166. Morgenbesser et
al. (1979) untersuchte zwei Anpassungs-Szenarien im Schienennetz der Louisville
& Nashville Eisenbahn (heute Bestandteil der CSX). In Szenario 1 wurde die Zahl
der Zugkilometer durch Einrichtung von Direktverbindungen um 18 % erhöht, was
zu einer 10 %igen Reduzierung der Transportdauer und einer 1 %igen Erhöhungen
der Herstellkosten führte. In Szenario 2 wurden die Zugkilometer um 56 % erhöht,
was zu einer 15 %igen Reduzierung der Transportdauer und einer 10 %igen Kosten-
erhöhung führte167. Da weder der Anteil an Direktverbindungen noch die Aufschlüs-
selung der Kosten nach Güterwagen angegeben wird, kann der Zusammenhang zwi-
schen Einzelwagenanteil und Güterwagenbedarf allerdings nicht quantifiziert wer-
den.
- Der zusätzliche Zeitverbrauch für zwei Rangiervorgänge liegt nach Keaton (1989)
zwischen 15 und 27 h 168.
- Keaton (1991) untersucht das Potenzial zur Verringerung der Transportdauer im
Eisenbahnverkehr durch Erhöhung des Anteils direkter und häufigerer Zugverbin-
dungen169. Er untersucht den Tradeoff von Transportkosten und Beförderungsdauer
anhand von drei verschieden strukturierten realen Schienennetzen. Es wurden die
Schienen-Netze der Union-Pacific, der Missouri-Pacific und der Conrail-Eisenbahn
untersucht. Alle drei Beispiel-Netze haben ähnliche Größe (ca. 80 Versand-
/Empfangsgüterverkehrsstellen), weisen aber eine unterschiedliche Topographie auf,

165
USRA (1975), zitiert in Keaton, M. H. (1991), S. 365
166
Vgl. Morgenbesser, M. J. (1978), zitiert in Keaton, M. H. (1991), S. 364
167
Vgl. Morgenbesser et al. (1979), zitiert in Keaton, M. H. (1991), S. 364
168
Vgl. Keaton, M. H. (1989), S. 417
169
Keaton, M. H. (1991), S. 363-364

88
 wodurch die Übertragbarkeit der Ergebnisse gewährleistet werden soll. Ausgehend
von betrieblich üblichen Netzwerkstrukturen wurden je Fallbeispiel 6 verschiedene
Netzvarianten mit unterschiedlichen Anteilen an Direktverbindungen manuell er-
zeugt. Für jede der 6 Netzvarianten wurden die resultierenden Transportdauern und
durchschnittlichen Wagenkosten/Meile ermittelt. Tabelle 7 stellt die Güterwagen-
bindung für verschiedene Anteile des Ganzzugverkehrs dar. Je geringer der Anteil
an Ganzzugverkehren ist (je höher also der Anteil an Einzelwagenverkehren ist), um
so mehr Güterwagenkapazitäten werden benötigt. Der Anstieg im Güterwagenbe-
darf bezieht sich allerdings nur auf die Güterwagenbindung vom Versandbahnhof
zum Empfangsbahnhof im Lastlauf.

Netz- Ganzzug-Anteil Güterwagen- % der Transportdauer

Szenario in % Bedarf im Rangierbahnhof
1 49,7 100,0 11,4
2 49,6 100,0 11,4
3 33,2 105,6 16,1
4 20,5 116,7 22,8
5 15,5 127,8 29,0
6 15,9 138,9 31,0
170
Tabelle 7: Ganzzuganteil und Wagenbedarf nach Keaton (1991)

Ermittelt man aus den Netzszenarien in Tabelle 7 den Zusammenhang zwischen Ganz-
zuganteil und dem Güterwagenbedarf, so lässt sich ein Mehrbedarf von ca. 40 % der
Güterwagenbindung im Lastlauf bei einem Anstieg des Einzelwagenanteils von 50 %
auf 100 % der Verkehre prognostizieren172. Wie viel % der gesamten Güterwagenkapa-
zitäten im Lastlauf gebunden sind, geht aus keiner der Studien hervor. Bis auf die
USRA-Studie von 1975 beruht keine der o.g. Studien beruht auf empirisch erhobenen
Daten der Güterwagenbindung. Vielmehr handelt es sich um Simulationen auf Basis
von Annahmen über Bindungszeiten und Verkehrsstrukturen.

170
Quelle: Daten aus Keaton, M. H. (1991), S. 372
172
Vgl. Keaton, M. H. (1990), S. 372; die Zahl 40 % ist gerundet und beruht auf linerarer Hochrechnung
der dort genannten Ratio-Effekte. USRA (1975), zitiert in Keaton, M. H. (1991), S. 365, gestattet die
ähnliche Hochrechnung, wenn man von einem ursprünglichen 50%-Anteil an Einzelwagenverkehr aus-
geht.

89
Zusammenfassend lässt sich daher nur folgende These bzgl. des Zusammenhang zwi-
schen Service-Design und Güterwagenbedarf formulieren:
Der Güterwagenbedarf ist um so höher, je höher der Anteil an Einzelwagenverkehren
ist.

Zugfrequenz: Einfluss der Transporthäufigkeit auf den Kapazitätsbedarf

Die Häufigkeit der Gestellung und Abholung beeinflusst direkt den Güterwagenpark:
werden durch seltene Bedienung oder Betriebsruhen Traktionskosten gespart, so geht
dies zu Lasten der Umlaufgeschwindigkeit von Güterwagen. Da der Güterwagen nach
Be-/Entladung nicht sofort wieder abgeholt wird, verlängert sich die Verweildauer beim
Kunden solange, bis die nächste Abholfahrt erfolgt. Die Betrachtung dieses Einflusses
auf die Güterwagenbindung in der Literatur ist allerdings gering:
- Nach Deinhardt (1978) war eine der Hauptursachen für das Ansteigen der Wagen-
umlaufzeiten der Deutschen Bundesbahn in den 60er und 70er Jahren die Absen-
kung der durchschnittlichen Wochenarbeitszeit mit entsprechendem Rückgang der
Samstagsverladungen. Die Umlaufzeit verhielt sich dabei in etwa umgekehrt
proportional zum Rückgang der Wagengestellung an Samstagen173. Klar wird dabei
auf die Notwendigkeit hingewiesen, einen Trade-off zwischen Traktions- und
Wagenkosten zulasten der Güterwagenproduktivität zu entscheiden: „Absatz und
Produktion streben eine gute Beförderungsqualität (...), verbunden mit einer hohen
Auslastung der Güterzüge (aus wirtschaftlichen Gründen) an. Dabei muss die
Produktion die Möglichkeit haben, wenn sie nicht zu teuer produzieren will, den
Wagenumlauf bei sinkendem Verkehrsaufkommen (...) zu verlangsamen“174.
- Turnquist/Jordan (1986) berücksichtigen den Einfluss der Zugfrequenz auf den Gü-
terwagenbedarf. Zwar modellieren sie die Schwankungen in der Transportdauer;
diese beeinflusst allerdings direkt die zeitliche Verteilung der Abfahrts- und An-
kunftszeiten im Zeitverlauf. Je größer die Schwankungen in der Ankunft/Abfahrt
sind, desto höher ist der Wagenbedarf175.
- Die erste große empirische Studie zum Flottenmanagement (Lkw) auf Tagesbasis
zeigt die hohe Fluktuation der Transportfrequenz im Zeitverlauf: Sa/So wird sehr

173
Vgl. Deinhardt, H. (1978), S. 510
174
Deinhardt, H. (1978), S. 510
175
Vgl. Turnquist, M. A.; Jordan, W. C. (1986), S. 230

90
 wenig versendet176. Die Auswirkung auf den Ressourcenbedarf wird allerdings nicht
modelliert.

Die o.g. Arbeiten bestätigen zwar den Einfluss der Zugfrequenz auf die Güterwagen-
bindung. Sie lassen jedoch keine Aussage zu, um wie viel % der Güterwagenbedarf
steigt, wenn die Zugfrequenz um 10 % abnimmt.
- Die These zum Einfluss der Zugfrequenz auf die Güterwagenbindung lässt sich da-
her nur wie folgt formulieren:
- Der Güterwagenbedarf ist um so höher je länger die Pause zwischen Bedienfahrten
ist

Einfluss der Lagerung leerer Güterwagen auf den Kapazitätsbedarf

Ein stehender leerer Güterwagen verursacht Kosten in Form von beanspruchter Infra-
struktur und zusätzlichen Rangieraufwand, wenn er von seinem Standort zum Kunden
transportiert wird. Entladene Güterwagen beim Kunden und leere Güterwagen in den
Bahnhöfen werden daher zum großen Teil beim Kunden gelagert, anstelle auf den eige-
nen Gleisen abgestellt zu werden. Dieser Betriebsprozess spart Traktions- und Infra-
strukturkosten und wird von den Versendern meist gerne akzeptiert (vgl. Abschnitt 4).
Da diese Wagenpositionierung vor einer aktuellen Wagenbestellung erfolgt, stellt sie
einen Bestandteil des Service-Designs dar im Gegensatz zu der auf Bestellungen bezo-
genen Güterwagendisposition.

Je nachdem, wie viel leere Wagen beim Kunden gelagert werden, unterliegt dem Servi-
ce-Design eher eine Push- oder Pull-Strategie des Eisenbahnbetriebs. Analog zu den
Push-/Pull-Strategien in Materialströmen besteht in der Wagengestellung die Möglich-
keit, leere Wagen nach antizipierten Bestellungen zu stellen (Push) oder grundsätzlich
nur auf Bestellung (Pull). Analog zur Produktionssteuerung unterliegt diesen Strategien
auch bei der Güterwagensteuerung ein Trade-off zwischen Losgrößen der Wagenge-
stellung (d.h. Traktionskosten) und den Lagerbeständen im System (d.h. überzähligen
Wagenbeständen):
- Die hohen „Rüstkosten“ in Form der Traktionskosten führen wie oben geschildert
zu einem Gestellprozess, bei dem eine Grundversorgung nach dem Push-Prinzip er-
gänzt wird durch Bestellungen des Kunden für Zusatzbedarfe (Pull-Prinzip).

176
Vgl. Hall, R.W. (1999), S. 454

91
- Schwankungen in der Beförderungsdauer von disponierten Güterwagen erhöhen die
Notwendigkeit zur Pufferung durch Leerwagenbestände (Push-Prinzip). Holmberg
et al. (1998) beschreiben diese Wirkung schwankender Beförderungsdauern auf den
Güterwagenbestand: „Da Güterwagenknappheit auftritt, haben örtliche Güterwa-
gendisponenten geringes Vertrauen in den Verteilungsprozess und vermuten, dass
die bestellten Wagen nicht rechtzeitig eintreffen. Daher bauen sie manchmal Lager-
bestände an Gütewagen auf (durch Meldung geringerer Bestände und höherer Be-
stellungen), um die erwarteten Bestellungen des Kunden erfüllen zu können.“177
Diese Beschreibung des Dispositionsprozesses trifft praktisch für alle europäischen
Güterbahnen zu. Auch ohne strategisches Verhalten der örtlichen Disponenten ist es
erforderlich, Schwankungen in der Ankunft disponierter Güterwagen durch Sicher-
heitsbestände auszugleichen.

Die Wagenumlaufzeit wird durch die dezentrale Lagerung leerer Güterwagen verlän-
gert, da dies die Möglichkeiten zum Ausgleich von Bedarfsschwankungen drastisch
reduziert.
In der Literatur zum Güterwagenmanagement wurden daher analog Push- und Pull-
Modelle des entwickelt (vgl. Abschnitt 3.2.2. und 3.3.)178:
- Ansätze zur Lagerhaltung von Leerwagenbeständen modellieren die Positionierung
geeigneter Güterwagenbestände in den Bahnhöfen (Push-Ansatz: Inventory Mana-
gement of Empty Railroad Cars).
- Die Güterwagendisposition i.e.S. (Pull-Ansatz: Empty Vehicle Allocati-
on/Scheduling) dagegen betrachtet die Verfügung leerer Wagen auf konkrete Bestel-
lungen hin, stellen daher bereits eine Komponente der Leistungserstellung dar. Bei-
de Prozesse laufen parallel und nehmen ähnlich große Anteile der Güterwagenbe-
wegungen ein.

Die Ansätze zum Service-Design in der Literatur beziehen sich darauf, wie durch bes-
sere Priorisierung der Zugkapazitäten die Beförderungsqualität der „wichtigen“ Güter-
wagen erhöht werden kann179. Eine hohe Beförderungsqualität für alle Wagen ist aller-
dings nur mit unvertretbar hohen Traktionskapazitäten erreichbar, so dass die Notwen-

177
Vgl. Holmberg, K. et al. (1998), S. 165
178
Vgl. hierzu Dejax, P. J.; Crainic, T. G. (1987), S. 229-233; die Autoren geben eine sehr gute Taxono-
mie der verschiedenen Ansätze des Güterwagenmanagements.
179
Vgl. hierzu die Arbeiten von Holmberg, K. et al. (1998)

92
digkeit von Sicherheitsbeständen grundsätzlich bestehen bleibt. Die in der Literatur bis-
her ignorierte Hauptfrage ist daher nicht ob, sondern wo und in welchem Umfang Si-
cherheitsbestände an Güterwagen vorgehalten werden sollten. Das Ziel muss sein, Gü-
terwagenbestände nur soweit beim Kunden abzustellen, als die Nachfrage bereits sicher
prognostiziert werden kann (Minimalbedarf). Hierdurch können die Nachfrageschwan-
kungen zwischen den Kunden ausgenutzt werden, um die notwendigen Pufferbestände
zu minimieren.

Gegenüber dem heutigen Prozess bedeutet dies eine Verzögerung des Gestellzeitpunkts
bzw. eine zeitliche Verlagerung der Leistungsdifferenzierung. Diese Grundidee, den
Zeitpunkt der Produktdifferenzierung hinter den eigentlichen Produktionsprozess zu
verlagern (genannt Postponement), wird in der Produktionsliteratur bereits in den 50ern
und 60ern diskutiert180. Allerdings wurde dieses Thema erst ab Ende der 80er Jahren
durch Logistikforschung aufgegriffen und weiterentwickelt. Zinn/Bowersox (1988)
formulierten in ihrer Grundsatzarbeit verschiedene Arten von Postponement und unter-
suchten durch Simulationsmodelle, unter welchen Bedingungen diese sinnvoll einge-
setzt werden können. Hewlett Packard war eine der ersten Firmen, welche das Postpo-
nementprinzip erfolgreich umsetzten181.

Übertragen auf das Güterwagenmanagement bedeutet die Postponement-Strategie, ei-

nen möglichst geringen Anteil nicht sicher benötigten leeren Wagen beim Kunden zu
lagern. Hierdurch können Schwankungen im Wagenbedarf über eine größere Anzahl
von Standorten nivelliert werden, was den Güterwagenbedarf zur Einhaltung eines Ser-
vice-Levels reduziert.
Unsere These zum Einfluss des Service-Designs auf den Güterwagenbedarf lautet da-
her:
Der Güterwagenbedarf ist um so höher je eher die Wagen beim Kunden gelagert wer-
den.

180
Die erste Arbeit der Postponement-Literatur ist ein Arteikel von Alderson, W. (1950). In den 60er
Jahren wird das Thema von Bucklin, L. P. (1965) erweitert und unter dem Aspekt der Risikoverlagerung
analysiert.
181
Vgl. Feitzinger, E.; Lee, H. L. (1997), S. 116 ff.; Die Lokalisierung der Druckergeräte (Festlegung von
Stromzufuhr-Modul, Stromstecker und Bedienungsanleitung) wurde von der Produktion auf drei Regio-
nale Läger (USA, Europa, Asien) verlagert. Die Lagerhaltungskosten wurden reduziert und die Service-
Level erhöht.

93
Fazit: Einfluss des Service-Designs auf den Güterwagenbedarf
Die drei ausgewählten Aspekte des Service-Designs (Einzelwagenanteil, Zugfrequenz
und Wagenabstellung beim Kunden) demonstrieren, dass es einen erheblichen Einfluss
auf den Güterwagenbedarf ausübt. Der Einfluss der Aspekte erfolgt allerdings auf ver-
schiedene Teile des Güterwagenumlaufs:
- Auf die Transportdauer über den Einzelwagenanteil
- Auf die Zeit im Kundenanschluss über Zuqfrequenz und Lagerung leerer Wagen
beim Kunden.

Die zur Forschungsfrage 2 aufgestellte These lautet insgesamt:

Das Service-Design stellt einen großen Hebel auf die beeinflussten Güterwagenstati
dar. Der Güterwagenbedarf ist um so höher je
- höher der Anteil an Einzelwagenverkehren ist
- länger die Pause zwischen Bedienfahrten ist
- eher die Wagen beim Kunden gelagert werden.

3.2.2. Ableitung des Kapazitätsbedarfs

In Abschnitt 3.2.2. werden Methoden zur Ableitung des Wagenbedarfs untersucht, um
Thesen zur Forschungsfrage 1 zu gewinnen: Wie viel Wagenkapazitäten benötigt man
angesichts gegebener Systemparameter (exogener Nachfrage- und Kapazitätsschwan-
kungen), um ein bestimmtes Service-Level zu erreichen?

Die zur Durchführung einer Reihe von Transporten notwendige Wagenbindung ergibt
sich durch die Zahl der Lastläufe, multipliziert mit der mittleren Güterwagenumlaufzeit
in diesen Transporten. Die vorzuhaltende Güterwagenkapazität hängt dann davon ab,
wie stark die Zahl der Lastläufe schwankt, d.h. wie viele Wagen maximal gleichzeitig
gebunden sind.

Die Güterwagennachfrage bestimmt die Zahl der Lastläufe sowie die Be-/Entladedauern
beim Kunden. Das Service-Design bestimmt die Transportdauern sowie die restliche
Bindungsdauer der Wagen beim Kunden. Die Zahl der insgesamt gebundenen Güterwa-
gen lässt sich dabei mit einem warteschlangentheoretischen Ansatz erklären. Wie in
Abschnitt 3.1. beschrieben, ist die Zahl der nachgefragten Transporte ebenso wie die
zeitliche Bindung je Auftrag eine stochastische Größe. Innerhalb eines Warteschlan-

94
genmodells bildet die Güterwagennachfrage einen stochastischen Prozess – die An-
kunftszeiten der „Aufträge“ sind zufällig gestreut. Die Umlaufzeit bildet die „Bearbei-
tungsdauer“ der „Aufträge“ und ist ebenfalls eine stochastische Größe. Die Zahl der
benötigten Güterwagen ergibt sich als Zahl der in der Warteschlange befindlichen Gü-
terwagen. Je höher dabei die Stochastizität von Ankunftszeiten und Bearbeitungsdauern
ist, desto größer ist die Zahl der Güterwagen innerhalb dieser Warteschlange182. Das
zentrale Problem von Modellen zur Ableitung des Kapazitätsbedarfs ist daher die adä-
quate Modellierung der Stochastizität dieser beiden Größen. Die in der Literatur ver-
wendeten Modelle eignen sich sehr unterschiedlich zur Integration stochastischer Grö-
ßen.

Zeit-Raum-Netzwerke versus Lagerhaltungsmodelle

Die in der Literatur verwendeten Modelle zur Disposition und Kapazitätsableitung un-
terscheiden sich vor allem darin, wie die zur Ableitung der Flottengröße notwendigen
Leerfahrten bestimmt werden:
- Der in der Literatur dominierende Modelltypus ermittelt die Leerfahrten als di-
rekte Zuordnung von Leerwagen innerhalb von Zeit-Raum-Netzwerken. Über
Optimierungsverfahren werden die möglichen Verknüpfungen verfügbarer
Leerwagen zu Lastläufen so durchgeführt, dass die Länge der Leerfahrten mini-
miert wird (Travelling Salesman Problem).
- Alternativ hierzu können die Leerfahrten auch aus der Differenz von Güterwa-
genbedarf und Güterwagenbestand je Standort ergeben, ungeachtet der Länge
der Leerfahrten. Diese Modelle erfordern eine ex-ante Zuordnung von Quellen
zu Senken bzw. einen Zuordnungsprozess, der sich aus den Beständen ableitet.
Sobald die verfügbaren Leerwagenbestände eines Bahnhofs eine bestimmte
Marke überschreiten, werden Leerwagen an einen anderen Bahnhof abgegeben,
bei dem ein Unterbestand besteht. Dies erfolgt unabhängig davon, ob der Bedarf
in diesem Bahnhof identisch ist mit der abgegebenen Wagenzahl. Die konkrete
Leerfahrt wird daher durch Lagerbestände ausgelöst, weswegen wir Modelle
dieses Ansatzes im weiteren Verlauf dieser Arbeit als „Lagerhaltungsmodelle“
bezeichnen.

182
Vgl. Vahrenkamp, R. (2000b), S. 230-231

95
Da im Fall von Lagerhaltungsmodellen die räumliche Dimension im Optimierungsalgo-
rithmus nicht direkt berücksichtigt wird, unterscheiden sich die beiden Ansätze in Ihrer
Netztopologie. Nach Turnquist/Jordan (1986) wird die Netzwerkstruktur über die Zahl
der Versand-/Empfangsorte sowie die Sendungsgröße (Komplett- oder Teilladung) de-
finiert. Tabelle 8 zeigt diese Klassifikation der Kapazitätsableitungs-Modelle.

Verkehrsstruktur
1 Versandort 1 Empfangsort N Versandorte
1 Empfangsort n Versandort N Empfangsorte
Komplettladungen Cyclic Queuing Fleet Allocation Model
Sendungs- (kein Umschlag) Models
Struktur Teilladungen mit Dispatching Vehicle Routing Scheduled
Umschlag Model Models Operations
(Airlines, Transit)
Tabelle 8: Klassifikation von Kapazitätsableitungs-Modellen nach Turnquist/Jordan
(1986) und Beaujon/Turnquist (1991)183

Beaujon/Turnquist (1991) betrachten Modelle für den Lkw-, Eisenbahn- und Flugver-
kehr. Während im Lkw- und Flugverkehr auch Teilladungsmodelle vorkommen, treffen
auf den Eisenbahnverkehr nur Komplettladungsmodelle zu184. Gegenüber der Luftfahrt
sind Komplett-Leerläufe nicht zu vermeiden, da meist kein ausreichendes Aufkommen
(insbesondere für einen spezifischen Wagentyp) vom Empfangsort besteht. Die For-
schungsergebnisse im Bereich von Passagierflugzeiten und Lkw-Flotten lassen sich
daher schlecht bis gar nicht auf den Eisenbahngüterverkehr übertragen186. Betrachtet
werden im weiteren Verlauf daher nur die Arbeiten zum Eisenbahngüterverkehr, welche
explizite Aussagen zur Flottengröße machen bzw. die Festlegung der Flottengröße als
Hauptgegenstand haben.

Die oben genannten Modelle mit Zeit-Raum-Netzwerken entsprechen dem von

Beaujon/Turnquist (1991) genannten Fleet Allocation Model. Die Lagerhaltungsmodel-
le entsprechen dem sogenannten Cyclic Queueing Model. Anhand der Netzwerkstruktur
wird einer der Hauptnachteile der Zeit-Raum-Netzwerke deutlich, nämlich die Komple-
xität der Lösungsverfahren unter realistischen Annahmen. Für einfache Netzkonstrukti-

183
Quelle: Turnquist, M.A.; Jordan, W. C. (1986), S. 228 und Beaujon, G. J.; Turnquist, M. A. (1991), S.
21
184
Vgl. Beaujon, G. J.; Turnquist, M. A. (1991), S. 21f.
186
Sherali, H. D., Tuncbilek, C. H. (1997), S. 236

96
onen wie Pendelfahrten und Versandfahrten von einem Versandort zu N Empfangs-
standorten ist die Leerfahrtstruktur relativ einfach zu ermitteln. Die Einführung sto-
chastischer und dynamischer Inputwerte ist hierbei ohne größere Probleme realisierbar.
Für N:N-Netzwerke hingegen sind umfangreiche Optimierungsansätze (stochastische
Programmierung bzw. Stochastische Kontrolle) notwendig, die bislang nur in wenigen
Arbeiten geleistet wurden.

Modellüberblick
Im Laufe der letzten 30 Jahre wurde eine sehr große Zahl wissenschaftlicher Arbeiten
zum Thema Fahrzeugdisposition geschrieben. Jeder Literaturüberblick muss daher par-
tiell bleiben und die Hauptmerkmale von Modellkategorien erläutern. Zur Ableitung
von Thesen zu Forschungsfrage 1 sollen daher lediglich die Optimierungsgrößen, An-
nahmen und betrachteten Kontextfaktoren anhand der am häufigsten zitierten Arbeiten
dargestellt werden. Sie geben einen repräsentativen Überblick über die Merkmale der
bisherigen Forschungsarbeiten auf dem Gebiet. Dies erfolgt separat für Modelle mit
Zeit-Raum-Netzwerken bzw. für Lagerhaltungsmodelle (Tabelle 9).

Modelltyp Zeit-Raun-Netzwerke Lagerhaltungs-

modelle
Jahr 97 87 91 02 86 97 82 77
Tuncbilek
Sherali/
Sereda
Bookbinder/
Turnquist
Beaujon/

Bojovic
Turnquist
Jordan

Du/Hall

Mendiratta/Turnquist

Philip/Sussmann

Autor

Modellmerkmale

Umsatz – + + + – – + +
Service-Level + – – – + + – –
Traktionskosten + + + + – – – –
Wagenkosten + + + + + + + +
Stochastizität + – + + – + + +
Nachfrage Kontext: Zugfre- – – + + + – – –
quenz
Dynamik + + + + + + + +
Transport- Stochastizität + – + + + + – –
Dauer Kontext: – – – – – – – –
EW/Gag
Stochastizität/ – – + – – – – –
Dynamik

97
Bindung Trennung Puffe- – – – – – – – –
durch rung beim Kun-
Kunden den vs im Bahn-
hof
Ladefrist- – – – – – – – –
überschreitung
Tabelle 9: Klassifikation der Fleet-Sizing-Ansätze187

Folgende Ergebnisse können für die beiden Modellansätze abgeleitet werden:

- Bezüglich der Zielsetzung unterscheiden sich Modelle mit Zeit-Raum-
Netzwerken und Lagerhaltungsmodelle nur in einem Punkt: Die Traktionskosten
werden in den Lagerhaltungsmodellen nicht im Optimierungsmechanismus be-
rücksichtigt. Während Umsatz bzw. Service-Level nicht in allen Arbeiten be-
trachtet wird, sind die Güterwagenkosten wie zu erwarten immer eine der Ziel-
größen.
- Dynamik und Stochastik der Nachfrage sowie die Stochastizität der Transport-
dauer werden in beiden Modellansätzen berücksichtigt. Das Standardmodell der
90er Jahre ist stochastisch und dynamisch, allerdings nicht bezüglich der Wa-
genbindung durch den Kunden.
- Wichtige Aspekte des Service-Designs wie dem Einzelwagenanteil und die Wa-
genpufferung beim Kunden werden ignoriert. Lediglich die Zugfrequenz wird in
einigen Arbeiten berücksichtigt. Die Bindungsdauer durch den Kunden (Be-
/Entladedauer) wird vollkommen ignoriert. Sie wird als konstant und determinis-
tisch modelliert und nicht von der Bindungsdauer durch Leerwagenpufferung
beim Kunden getrennt. Damit werden zentrale Treiber der Güterwagenprodukti-
vität nicht adäquat abgebildet.

Bezüglich der in Tabelle 9 dargestellten Modellmerkmale ist daher bis auf die Berück-
sichtigung der Traktionskosten keine signifikante Differenz zwischen Modellen mit
Zeit-Raum-Netzwerken und Lagerhaltungsmodellen feststellbar. Der Hauptunterschied
zwischen den beiden Ansätzen besteht in der Komplexität des Optimierungsverfahren.
Zur Verdeutlichung dieser Komplexität und der Vorteile bei der Abstraktion von Zeit-
Raum-Netzwerken sollen zwei der am meisten zitierten Arbeiten zum jeweiligen Ansatz
gegenübergestellt werden.

187
Quelle: Eigene Darstellung

98
Beispiel 1: Modelle mit Zeit-/Raum-Netzwerken (Beaujon/Turnquist 1991)
Die Arbeit von Beaujon/Turnquist (1991) ist eines der am häufigsten zitierten Modelle
für die stochastische Programmierung von Zeit-Raum-Netzwerkmodellen. Abbildung
15 zeigt die Modellierung des Güterwagenmanagements als System von Vektoren in
den Dimensionen Zeit (in Perioden) und Raum (repräsentiert durch die verschiedenen
Bahnhöfe).

t-x t-x t t+1 t+x t+x

Zeitperioden

Xˆ i (t )
i

Xˆ ji (t - x ) Xˆ ik (t ) Xˆ ij (t )

Xˆ ki (t - x )

Bahnhöfe
Abbildung 15: Zeit-Raum-Netzwerk nach Beaujon/ Turnquist (1991) zur Modellierung
des Güterwageneinsatzes188

In der Abbildung 15 wird die Bewegung mehrerer Güterwagen zwischen drei Bahnhö-
fen dargestellt. In der ersten betrachteten Periode wird eine Zahl X an Güterwagen vom
Bahn-hof j versendet in Richtung Bahnhof i. In der darauffolgenden Periode läuft dieser
Trans-port noch; eine Zahl X an Wagen wird von Bahnhof k ebenfalls in Richtung
Bahnhof i versendet. In einer späteren Periode t verbleiben X Wagen in Bahnhof i. Jede
Wagenbewe-gung und Standzeit wird durch Vektoren in einem Zeit-Raum Netzwerk
dargestellt. Die Zahl der Wagen wird durch stets die Größe X wiedergegeben.

Durch Modellierung von Wagenbewegungen als Vektoren in Zeit-Raum-Netzwerken

kann das Entscheidungsproblem – in seiner deterministischen Variante - mittels linearer
Optimierungsinstrumente gelöst werden. Wie bei praktisch alle Modellen mit Zeit-

99
Raum-Netzwerken handelt es sich auch bei der Arbeit von Beaujon/Turnquist (1991)
um ein Modell, das die Entscheidung über optimale Flottengröße verbindet mit der Ent-
scheidung der optimalen Leerläufe. Das Modell versucht durch lineare und nichtlineare
Optimierungsmethoden das Gesamtoptimum von Transport- und Wagenbestandskosten
bei gegebener Nachfrage (Lastläufen) zu bestimmen189:
- Wie viele Wagen sollte die Flotte umfassen?
- Wo sollten wie viel Wagenbestände positioniert werden?
- Wie groß sollten diese Wagenbestände sein?
- Für jede Periode und jeden Bahnhof: Wie sollten die leeren Güterwagen auf die
Leerläufe, Lastläufe und Wagenbestände aufgeteilt werden?
Als Ausgangssituation wird für jeden Standort ein Netto-Wagenbestand als Zufallsgrö-
ße definiert, die normalverteilt ist. Im ersten Schritt werden die Mittelwerte dieser Nor-
malverteilung zur Optimierungsrechnung herangezogen sowie deterministische Reise-
zeiten zwischen den Bahnhöfen. Die Ermittlung der Leerwagenbewegungen kann somit
als ein deterministisches Zeit-/Raumnetzwerk mit nichtlinearen Kosten an einigen Kno-
tenpunkten formuliert werden. Über diese Initiallösung für die deterministische Prob-
lemvariante wird ein Satz an Leerwagenbewegungen erzeugt. Die Wagenbestände in
jedem Bahnhof entwickeln sich dabei aus der Differenz ankommender und abfahrender
Wagenströme (die sogenannte Defizitfunktion). Der Transportbedarf lässt anhand der
Defizitfunktionen die Berechnung des minimalen Ausgangsbestands an Güterwagen zu.
Dieses Verfahren, anhand einer Defizitfunktion den benötigten Wagenpark zu ermitteln,
bildet die Basis der überwiegenden Mehrheit aller Arbeiten zur Ableitung der Flotten-
größe. Da die Stochastizität der Transportdauern in diesem ersten Schritt ignoriert wird,
ist die resultierende Flottengröße zu gering, wie die Autoren feststellen190.

Anhand der Last- und Leerläufe werden anschließend die Verteilungskurven der Wa-
genbestände in den Bahnhöfen ermittelt. Anhand geschätzter Varianzen im Wagenbe-
stand als Initiallösung setzen die Autoren den Frank-Wolfe-Algorithmus ein: Die ge-
schätzten Varianzen dienen als Input für die nicht-lineare Optimierungsrechnung des
Netzwerks. Anschließend wird geprüft, ob die daraus resultierende Varianz im Wagen-
bestand signifikant über dem Initialwert liegt. Ist dies der Fall, so wird der Inputwert
erhöht. Diese Prozedur wird solange wiederholt, bis die resultierende Veränderung in

188
Quelle: Beaujon, G. J.; Turnquist, M. A. (1991), S. 28
189
Vgl. Beaujon, G. J. ; Turnquist, M. A. (1991), S. 21
190
Vgl. Beaujon, G. J. ; Turnquist, M. A. (1991), S. 29

100
der Varianz der Wagenbestände nicht mehr signifikant ist. Zuletzt wird anhand der De-
fizitfunktion der resultierende Gesamt-Wagenbestand abgeleitet.

Die gewonnene Lösung (Flottengröße: 433 Wagen) wird verglichen mit der Flottengrö-
ße bei statisch-deterministischer und dynamisch-deterministischer Optimierungsre-
chnung.
Die statisch-deterministische Optimierungsrechnung des gleichen Problems unterschätzt
die notwendige Flottengröße um 26,6 %, die dynamisch-deterministische Modellierung
unterschätzt die notwendige Flottengröße um 24,5 %191. Damit zeigt sich klar die Über-
legenheit stochastischer Modelle vor deterministischen Varianten. Der Nachteil des
Modell steckt in der erheblichen Komplexität. Das von Beaujon/Turnquist untersuchte
Problem ist hypothetisch und von geringem Umfang: es umfasst 5 Bahnhöfe und einen
rollierenden 7-Tage-Zeitraum. Dennoch erfordert die Lösung einen extrem komplexen
Lösungsprozess (Frank-Wolfe-Algorithmus). Aus diesem Grund haben sich neben den
Ansätzen mit Zeit-Raum Netzwerken auch Ansätze herausgebildet, welche die Raum-
veränderung stark vereinfacht abbilden. In Anlehnung an die Literatur sollen sie als
Lagerhaltungsmodelle bezeichnet werden.

Beispiel 2: Lagerhaltungs-Modelle ohne Zeit-/Raum-Netzwerke (Du/Hall 1997)

Seit Anfang der 80er Jahre haben Du/Hall 1997 und Hall (1999) die einzigen Arbeiten
zum Lagerhaltungsansatz verfasst. Sie beschäftigen sich mit optimalen Entscheidungen
zur Anfrage/Abgabe von Wagenbeständen zwischen Bahnhöfen angesichts existieren-
der Lagerbestände an Wagen. Abbildung 16 zeigt das von Du/Hall verwendete Netz-
werk von einem Zentralbahnhof und zwei Verteilbahnhöfen. Dieses Netzwerk abstra-
hiert von Entfernungen und kann auf beliebig viele Bahnhöfe ausgedehnt werden.

191
Vgl. Beaujon, G. J. ; Turnquist, M. A. (1991), S. 38-41

101
 Lastlauf Lastlauf

Lastlauf Lastlauf
Defici Center Surplus
t Terminal Center

Leerlauf Leerlauf
(wenn (wenn
Lager Lager

Abbildung 16: Lagermodell nach Du/Hall (1997)192

Die Autoren formulieren eine (s,Q)-Lagerhaltungspolitik für Güterwagenläger; die Flot-

tengröße wird unter der Zielsetzung eines bestimmten Service-Levels (nicht-erfüllte
Transportnachfrage) minimiert. Anstelle globaler Optimierung wird ein Dekompositi-
onsansatz gewählt. Sobald die „Bestell/Gestell-Regeln“ feststehen, können die Güter-
wagen anhand lokaler Informationen und einfacher Regeln disponiert werden193:
· Modelliert wird ein Transportnetz aus einem Center und mehreren Terminals. Die
Transporte erfolgen zwischen Center und Terminal, ist stochastisch und erfolgt in
ganzen Lkw-Ladungen.
· Die Verteilung von Lastläufen vom Center zu den Terminals und zurück führt zu
Überbeständen (Surplus Center) bzw. Unterbeständen (Deficit Center) an leeren Gü-
terwagen, verglichen mit dem Bedarf für den Lastlauf.
· Es werden Maximalbestände für Überschussbahnhöfe und Minimalbestände für
Defizitbahnhöfe. Bei Über-/Unterschreiten dieser Bestände wird die Differenz an
leeren Güterwagen an das Center abgegeben bzw. wieder abgeholt.

Auf diese Weise definieren die nach Effizienzgesichtspunkten ausgesuchten Güterwa-

genbestände bei den einzelnen Bahnhöfen die Leerwagenbewegungen. Dies ist das um-
gekehrte Verfahren gegenüber dem üblichen Verfahren, dass die nach Effizienzge-
sichtspunkten festgelegten Leerwagenbewegungen die Leerwagenbestände und damit
die Flottengröße in den Bahnhöfen bestimmt. Unter der Annahme der Unabhängigkeit
der verschiedenen Terminals wird die notwendige Flottengröße anhand von drei compu-
tergenerierten Varianten von Transportnachfragen ermittelt. Dies geschieht dadurch,

192
Quelle : In Anlehnung an Du, Y.; Hall, R. (1997), S. 147-148
193
Vgl. Du, Y.; Hall, R. (1997), S. 146-148

102
dass der die Beladung in den Bahnhöfen als Warteschlange mit poissonverteiltem Ein-
gang und exponentiell verteilter Service-Rate dargestellt wird. Die Summe der in dieser
M/M/1-Warteschlange befindlichen Wagen kann anhand der Verteilungsfunktionen
abgeleitet werden. Die Stochastizität der Leer- und Last-Transporte führt daher auch im
Fall des Lagerhaltungs-Modells zu einem Anstieg der vorzuhaltenden Güterwagenflot-
te194.

Ebenso wie das Modell von Beaujon/Turnquist (1991) ist auch das Modell von Du/Hall
(1997) dynamisch und stochastisch – allerdings bei einem wesentlich geringeren Kom-
plexitätsgrad. Während das Modell von Du/Hall (1997) ohne große Probleme im Um-
fang massiv vergrößert werden kann, ist dies für das Modell von Beaujon/Turnquist
(1997) nur schwer vorstellbar. Für jede der drei untersuchten Varianten wurde die not-
wendige Flottengröße zur Erzielung eines Service-Levels von 85%, 90 %, 95 % und 99
% ermittelt. Tabelle 10 zeigt die Ergebnisse, wobei die Flottengröße für den 85%-
Service-Level mit 100 % angegeben wurde, um einen Vergleich mit anderen Flotten
zuzulassen.

Die Erhöhung des Service-Levels von 85 % auf 99% erfordert je nach Fall 4,8-5,2 %
mehr Wagenkapazität. Da eine Erhöhung von 85 % auf 99 % Service-Level prozentual
eine Steigerung von 16,5 % bedeutet, ist der damit verbundene Mehrbedarf an Wagen-
kapazität von 4,8-5,2 % unterproportional. Dies ist kein plausibles Ergebnis. Aufgrund
der beschriebenen Stochastizität in Wagenbestellung und –bindung sind starke Bedarfs-
spitzen mit überproportionalem Kapazitätsbedarf wahrscheinlicher. Um einen Vergleich
mit den Erkenntnissen von Du/Hall (1997) zulassen, sollte im empirischen Teil die glei-
chen Werte von Service-Level (Anstieg von 85 % auf 99 % Service-Level) untersucht
werden. Bedarfsspitzen mit überproportionalem Kapazitätsbedarf liegen demnach dann
vor, wenn zur Erhöhung des Service-Levels von 85 % auf 99 % der Wagenbedarf um
mehr als 16,5 % zunimmt.

194
Vgl. Du, Y.; Hall, R. (1997), S. 151f.

103
Fall Fall 1 Fall 2 Fall 3
Einweg-Transporte Pendeltransporte mit Pendeltransporte mit
Schwergewicht in schwachem Schwergewicht
Service- einer Richtung in einer Richtung

Level
99 % 105,3% 104,8% 105,2%
95 % 102,4% 102,3% 102,5%
90 % 101,0% 100,9% 100,8%
85 % 100,0% 100,0% 100,0%

Tabelle 10: Zusammenhang zwischen Service-Level und Wagenbedarf nach der Lager-
haltungsstudie von Du/Hall (1997)195

Fazit: These zur Forschungsfrage 1

Von den in Abschnitt 3.2.1. dargestellten Aspekte des Service-Designs werden die Zug-
frequenz und die beim Kunden abgestellten leeren Wagen in der Literatur zwar als Mo-
dellgrößen integriert. Es wird allerdings keine Aussage zur Hebelwirkung auf die Gü-
terwagenflotte getroffen. Die bisher aufgestellten Modelle zur Ableitung der Flotten-
größe sind nicht mit großzahligen empirischen Studien geprüft worden. Annahmen für
theoretische Verteilungen werden aus der Literatur übernommen, nicht empirisch
begründet197. Die Analyse der Arbeiten zur Bestimmung der Flottengröße lassen fol-
gende Schlüsse zu:
- Die Abbildung der Stochastizität ist extrem wichtig für die korrekte Ermittlung des
Güterwagenbedarfs. Es kann generell angenommen werden, dass der Wagenbedarf
mit höherer Stochastizität ansteigt.
- Die Modellierung aller stochastischen Größen bei der Ermittlung von optimalen
Leerwagenbewegungen mit Netzwerkansätzen ist mathematisch äußerst komplex
bereits für kleine Aufgaben. Für die Modellierung einer Netzwerkstruktur wie der
bei DB Cargo ist der Netzwerk-Ansatz daher nicht geeignet.
- Die Abstraktion von Zeit-Raum Netzwerken über Lagerhaltungsmodelle scheint
demgegenüber ein vielversprechender Weg zu sein.

195
Quelle: Zahlen aus Du, Y.; Hall, R. (1997), S. 154
197
Eine Ausnahme stellt die empirische Studie von Hall, R. W. (1999) dar; in ihr werden allerdings ledig-
lich Verteilungsfunktionen für das Terminal-Terminal Aufkommen erhoben und nicht im Rahmen eines
Modells zur Ableitung der Flottengröße eingesetzt.

104
Demgegenüber sind zwei Annahmen der o.g. Arbeiten in Frage zu stellen:
- In den betrachteten Arbeiten ist die Bindungsdauer der Wagen durch den Kunden
bekannt und konstant. Entscheidend sind die optimalen Wagenbewegungen und
(quantitativen) Nachfrageschwankungen.
- Die Literatur zeigt, dass unterproportional mehr Wagen vorgehalten werden müssen,
um den bestehenden Service-Level zu erhöhen.

Zur Forschungsfrage 1 „Wie viel Wagenkapazitäten benötigt man angesichts gegebener

Systemparameter (exo-gener Nachfrage- und Kapazitätsschwankungen), um ein be-
stimmtes Service-Level zu erreichen?“ werden daher folgende Thesen aufgestellt:
- Zur Spitzenabdeckung werden überproportional mehr Wagen benötigt als zur
Grundversorgung.

Über die zur Beantwortung der Forschungsfrage einzusetzenden Instrumente lassen

sich folgende Thesen formulieren:
- Die Abstraktion von Zeit-Raum-Netzwerken bei der Wagenbedarfsprognose ermög-
licht eine hohe Prognosegüte auf Tagesebene.
- Kapazitätsermittlung mit Schwankungen in der Güterwagenbindung liefert genauere
Bedarfsprognosen als mit konstanter Bindungsdauer je bestelltem Güterwagen.
- Kausalmodelle eignen sich weniger zur Prognose als Zeitreihenmodelle.

3.3. Kapazitätssteuerung bei der Leistungserbringung

Im Abschnitt 3.3. werden die Methoden zur Steuerung der Güterwagenkapazitäten bei
der Leistungserstellung (bei der Integration des externen Faktors, vgl. Abschnitt 1) un-
tersucht. Im Gegensatz zu den strategischen und taktischen Planungsproblemen des
Service Designs beinhaltet die Kapazitätssteuerung operative Planungsprobleme. Diese
sind durch einen sehr engen Zeitrahmen und hohe Unsicherheit der zu optimierenden
Größen gekennzeichnet198. Ziel der Kapazitätssteuerung ist die optimale Nutzung der
vorhandenen Kapazitäten durch Anpassungsentscheidungen.

198
Vgl. Crainic, T. G.; Laporte, G. (1997), S. 428

105
Die Kapazitätssteuerung erfolgt intern über die Disposition (Abschnitt 3.3.1.), extern
über Produkt- und Preisdifferenzierung (Abschnitt 3.3.2.). Disposition und Produkt-
/Preisdifferenzierung stellen zwei Hebel zur Steigerung der Güterwagenproduktivität
dar. Die Untersuchung von Methoden zur Steuerung der Güterwagenkapazitäten dient
daher zur Entwicklung von Thesen zu Forschungsfrage 2: Welche der beeinflussbaren
Rahmenbedingungen haben den größten Hebel auf dieses Verhältnis von Wagenkapazi-
täten zu Service-Leveln?

3.3.1. Disposition (Interne Steuerungsinstrumente)

In Abschnitt 3.3.1. werden die Methoden zur Güterwagendisposition untersucht, um

Thesen zur Forschungsfrage 2 zu gewinnen. Nach der Beschreibung des zugrundelie-
genden Wiederbeladungsproblems wird der in der Literatur dominierende Modelltyp
des Zeit-Raum-Netzwerks dargestellt und einer Annahmenkritik unterzogen. Anschlie-
ßend werden alternative Dispositionskonzepte dargestellt, welche die Nachteile der
Zeit-Raum-Netzwerke vermeiden.

Das Grundproblem der Güterwagendisposition besteht darin, dass die beladen zu einem
Kunden beförderten Wagen nicht vollständig dort wiederbeladen werden können. Die
leer gewordenen Güterwagen müssen daher teilweise an andere Standorte befördert
werden, an denen sie erneut beladen werden. Die Frage, welche leeren Wagen welcher
Güterwagenbestellung zugeordnet werden sollen, wird mittels Methoden der Güterwa-
gendisposition beantwortet. Die Möglichkeiten zur Vermeidung von Leertransporten
wird dabei eingeschränkt durch mehrere Rahmenbedingungen. Im Auftrag des Verban-
des der Automobilindustrie (VDA) hat das Beratungsunternehmen Kessel + Partner
1998 mit einer empirischen Studie zur Auslastungsentwicklung im Deutschen Güter-
transport (Lkw und Schiene) beauftragt. Diese Studie stellt die erste repräsentative Ana-
lyse der Auslastung im Gütertransport nach Verkehrs- und Fahrzeugarten dar199. Die
Studie nennt drei strukturelle Einflussfaktoren der Leerlaufanteile, die sich von den ge-

199
Vgl. Kessel+Partner (1998), S. 1 und 5. Dies gilt für den europäischen Raum ; in den USA wurde 1975
eine empirische Studie der USRA über die Umlaufzeiten der Güterwagen durchgeführt, die dem Autor
allerdings nicht vorliegt. Es sind uns keine vergleichbaren Studien über Lkw-Transportunternehmen be-
kannt.

106
nerellen Rahmenbedingungen bzgl. Aufkommensstruktur und Nachfrageschwankungen
unterscheiden201:
- Gesetzliche Regelungen, welche die Aufnahme von Rückladungen verhindern.
Dies gilt insbesondere für Fahrzeuge des Werksverkehrs, die keine Ladungen für
Dritte transportieren dürfen.
- Verwendung von Spezialgefäßen bzw. Fahrzeugen. Besonders im Lebensmittel-
und Chemiebereich erfordert die Wiederbeladung eine kostenintensive Reini-
gung, welche die Leer-Rückfahrt oft wirtschaftlicher macht.
- Starke räumliche Konzentration von Quellen und Senken bestimmter Gutarten,
welche weite Fahrten zur nächsten Senke bedingen.
Im Schienengüterverkehr gab es 1997 noch keine verwertbaren Daten zur zeitlichen
Auslastung der Güterwagen . In Teil II dieser Arbeit werden die Hintergründe hierfür
erläutert. Lediglich die Summe der gefahrenen Güterwagen-km konnte in Leer- und
Lastlauf aufgeteilt werden. Die Daten ergeben einen Leerwagenanteil von ca. 32 % aller
gefahrenen Güterwagen-km, was zwischen den Leerlaufanteilen im Lkw-Werksfern-
verkehr (ca. 30 %) und dem des Lkw-Nahverkehrs (35-38 %) liegt . Als Ursachen hier-
für werden aus Expertengesprächen die Güterstruktur (hoher Massengutanteil) und der
relativ hohe Spezialisierungsgrad der Güterwagen im Verhältnis zum Lkw genannt.
Diese strukturellen Einflüsse (Quelle-/Senke-Struktur und Einsatzflexibilität der Güter-
wagen) sind ebenso wie die Kundenanforderungen exogene Größen für das Güterwa-
genmanagement. Endogene Größen sind neben der Kapazitätssteuerung die Betriebs-
prozesse, welche das Service-Design ausmachen.

Disposition durch Zeit-Raum-Netzwerkmodelle

Wie in Abschnitt 3.2.2. beschrieben, wird in der überwiegenden Zahl der Arbeiten zur
Ableitung der Flottengröße eine Defizitfunktion verwendet: Der Wagenbedarf ergibt
sich durch die Summe der an den einzelnen Standorten ein- und ausgehenden Güterwa-
gen. Nachdem die Leer- und Lasttransporte definiert sind, lässt sich die minimal benö-
tigte Wagenzahl ableiten, mit der alle Wagendefizite ausgeglichen werden. Dieser Mo-
delltypus ist durch Zeit-Raum-Netzwerke gekennzeichnet, in denen sich die Wagenbe-
wegungen abspielen. Da die Leerwagenbewegungen als Input verwendet werden, unter-
scheiden sich Modelle zur Kapazitätsableitung sich von Dispositionsmodellen nur durch
die Ausrechnung der Flottengröße. In Dispositionsmodellen werden die Wagen als fixer

201
Vgl. Kessel+Partner (1998), S. 9-10

107
Input vorgegeben, oder sie stehen als variable Größe im Modell. D.h. es findet in erster
Linie ein Trade-off zwischen den Kosten und dem Service-Level/Umsatz statt, bei dem
die optimale Flottengröße nicht ermittelt wird.

Am häufigsten ist die Beeinflussung von Leerlaufkosten bzw. der Totalkosten von
Last- und Leerlauf durch Minimierung der Entfernung (mit oder ohne Angabe der resul-
tierenden Kosten) bzw, der Reisezeit202. Daraus kann der Service-Level und der Umsatz
abgeleitet werden, wobei meist von einer 100 %-igen Service-Level ausgegangen wird.
In der Literatur überwiegt bei weitem die Betrachtung von hypothetischen Problemfäl-
len ohne empirisches Datenmaterial. Es konnten daher nur relativ wenige Arbeiten iden-
tifiziert werden, in denen eine Berechnung des Einsparungspotenzials an einem empiri-
schen Fallbeispiel vorgenommen wurde. Tabelle 11 zeigt diese Arbeiten mit den Ein-
sparungen der Transportentfernung, -zeit oder –kosten. Auffällig ist, dass es sich bei
allen Arbeiten um ex-ante Lösungen handelt, d.h. die aufgezeigten Einsparungen wur-
den nicht realisiert sondern lediglich als Potenzial aufgezeigt. Ggfs. auftretende Umset-
zungsprobleme durch betriebliche Rahmenbedingungen oder organisatorische Probleme
wurden in der Literatur bis auf Ausnahmen nicht untersucht.

Autor Jahr Ergebnis der Dispo Sonstiges

Sutcliffe/Board 91 7 % der Transportkos- Review von 36 empirischen Studien zum Thema VRP
ten (Ex Ante)
Spieckermann/ 95 23 % der Leerkm Vergleich mit manueller Lsg der Fa. (Ex Ante)
Voß
Cordeau et al. 01 7 % der Traktionskos- Personenverkehrsbsp.
ten Vergleich mit manueller Lsg der Fa. (Ex Ante)
Tabelle 11: In der Literatur berichtete Einspareffekte der Dispositionsmechanismen203

Es lohnt sich daher, die Annahmen der Zeit-Raum-Netzwerkmodelle einer kritischen

Prüfung zu unterziehen. Ihr Einsatz beruht auf mehreren Annahmen über den
Eisenbahnbetrieb:
- Leerkilometer treiben den Transportkosten und Güterwagenbedarf
- Die Stochastizität der Transportdauer schränkt die Optimierungswirkung komplexer
Modelle nicht ein. Die rechnergestützten Dispositionsvorschläge werden vollständig
umgesetzt.

202
Vgl. Gendreau, M. et al. (1996), S. 3
203
Quelle: Eigene Darstellung

108
- Die Zentralisierung der Entscheidungsfindung stellt gegenüber der dezentralen Ent-
scheidungsfindung die bessere Lösung dar.
Diese Annahmen sollen daher einer kritischen Prüfung anhand von Gegenthesen durch-
zogen werden:
- Die Kostenstruktur des Einzelwagennetzes wird nicht durch Leerwagenkilometer be-
einflusst. Eine zentrale Annahme der Modelle mit Zeit-Raum-Netzwerken ist, dass die
Transportkosten durch Minimierung der Leer-km effizient reduziert werden. Bis auf
Teilbereiche des Massengutverkehrs (im Bereich der Stahlindustrie Kohle, Kalk und
Erz) werden die Leerwagentransporte im Einzelwagensystem vollzogen. Hintergrund
ist das geringe Aufkommen leerer Wagen je Relation. Ein nicht beförderter leerer
Wagen führt daher nur dann zu Einsparungen, wenn der ganze Zug des Einzelwagen-
systems entfallen kann. Dies ist in der Dispositionspraxis praktisch nie der Fall. Und
selbst in diesen Fällen würden die Zugkosten nur ca. 20 % der Transportkosten der
darin beförderten Wagen ausmachen. Dies liegt daran, das die Hauptkostentreiber des
Einzelwagenverkehrs, die Rangierbahnhöfe, eine fixe Kostenstruktur aufweisen. Die
Annahme, dass über die Minimierung von Leer-km die Transportkosten reduziert
werden können, ist daher für den überwiegenden Teil der Wagengattungen nicht zu-
treffend.
- Die Entfernung hat gegenüber der Beförderungsart einen geringen Einfluss auf die
Transportdauer: Eine zentrale Annahme der Modelle mit Zeit-Raum-Netzwerken be-
steht darin, dass die Reduzierung der Leer-km neben den Transportkosten auch den
Güterwagenbedarf minimiert. Dies funktioniert umso besser, je größer der Anteil der
Transportdauer am Güterwagenumlauf ist und je größer der Einfluss der Transportent-
fernung auf die Transportdauer ist. Beides kann stark in Zweifel gezogen werden. In
der oben zitierten Studie der USRA entfielen nur 19 % der Zeitdauer außerhalb des
Kundenanschlusses auf den reinen Transport. Da der Zeitanteil eines Wagens beim
Kunden an der Umlaufzeit deutlich größer ist als der Transportanteil, liegt der Anteil
an der Gesamtwagenbindung im besten Fall unterhalb 10 %204. Eine Verdopplung der
Entfernung würde daher zu einem Anstieg von 19 % der Gesamttransportdauer füh-
ren. Eine Verdopplung des Einzelwagenanteils einer Relation führt nach Keaton
(1991) zu einem Anstieg von 40 % der Gesamttransportdauer205. Der Einfluss einer

204
Vgl. USRA (1975), zitiert in Keaton, M. H. (1991), S. 365. “Im besten Fall” heißt hier, dass der Ein-
zelwagenanteil in der USRA-Studie bei 100 % liegt, was sehr unrealistisch ist. Der tatsächliche Anteil des
reinen Transports an der Güterwagenumlaufzeit dürfte daher eher um die 5 % liegen.
205
Keaton, M. H. (1991), S. 372

109
 Reduzierung der Leer-km auf den Güterwagenbedarf ist daher minimal. Die fast voll-
ständige Konzentration der bisherigen Forschungsbemühungen auf diesen Optimie-
rungsansatz ist vor diesem Hintergrund nicht nachzuvollziehen.
- Stochastizität und Non-User Compliance verringern die Wirkung komplexer Optimie-
rungsmethoden: Schwanken die Inputdaten in der Optimierungsrechnung, so werden
die Vorteile optimaler Lösungsmethoden relativiert. Ebenso kann Non-User-
Compliance dazu führen, dass der Nutzen eines eigentlich optimalen Lösungsvor-
schlags unter dem eines suboptimalen, aber robusteren Lösungsverfahrens liegt. Non-
User Compliance bezeichnet die Abweichung des Disponenten vom maschinell er-
rechneten Dispositionsvorschlag. Powell et al. (2000) simulieren die Wirkung von
Stochastizität in Nachfrage und Transportdauer sowie Non-User Compliance auf die
Wirkung verschiedener Lösungsalgorithmen. Liegt Stochastizität in Nachfrage und
Transportdauern vor, so zeigten sich heuristische bzw. suboptimale Lösungsmethoden
deutlich überlegen gegenüber optimalen Verfahren (vgl. Abschnitt 2)206. Ebenso führ-
te Non-User Compliance dazu, dass das heuristische bzw. suboptimale Methoden zu
besseren Lösungen des Dispositionsproblems führten207. Wenn Stochastizität und
Non-User Compliance die Wirkung komplexer Lösungsverfahren gegenüber einfa-
cher Varianten relativieren, so kann dies analog die Wirksamkeit der Zeit-Raum-
Netzwerke gegenüber einfacheren Lagerhaltungs-Modellen einschränken.
- Es bestehen Umsetzungsprobleme der zentralen Dispositionsentscheidungen208:
Modelle auf Basis von Zeit-Raum-Netzwerken weisen aufgrund des zentralen Ent-
scheidungsansatzes eine Reihe von Umsetzungsproblemen auf, welche die Wirksam-
keit weiter reduzieren:
o Sie benötigen sehr guten Prognosen für die Güterwagennachfrage je Standort und
Reisezeiten zwischen Standorten. Beides ist aufgrund der o.g. Stochastizität nur
sehr eingeschränkt möglich (s.o.).
o Sie zwingen bei manuellen Dateninputs zu periodischen Entscheidungen aufgrund
des hohen Aufwands zur Ermittlung der relevanten Daten. Obwohl kontinuierlich
Entscheidungen in den Bahnhöfen getroffen werden, basieren sie normalerweise
auf einmal täglich aktualisierten Daten. Im Extremfall heiß dies, dass eine Dispo-
sitionsentscheidung auf Basis der morgens verfügbaren Daten getroffen wird, die
bereits mittags aufgrund veränderter Verhältnisse obsolet geworden ist.

206
Vgl. Powell, W. B. (2000), S. 81-83
207
Vgl. Powell, W. B. (2000), S. 83
208
Vgl. Hall, R. W.; Zhong, H. (2002), S. 850

110
 o Ihre zentrale Informationssammlung und Entscheidungsfindung stellt hohe Anfor-
derungen an den Datenverarbeitungsprozess (Qualität der Eingabe). Der Prozess
ist stark anfällig für strategisches Verhalten und läuft gegen eine Verantwortung
der Linie vor Ort.

Die alleinige Modellierung des Dispositionsproblems über Zeit-Raum-Netzwerke birgt

daher schwerwiegende Mängel bzgl. der Einspareffekte und der Umsetzbarkeit.
Alternativ zum Einsatz von Zeit-Raum-Netzwerken kann entweder auf die Expertise
des Dispositionspersonals zugegriffen werden oder aber es können Modelle abgebildet
werden, in denen die Raum-Komponente nicht Gegenstand des
Optimierungsalgorithmus ist.

Die Expertise des Dispositionspersonals kann im Rahmen von sogenannten Experten-

systemen abgebildet werden (vgl. Abschnitt 2). Allerdings ist der Verbreitungsgrad von
Expertensystemen in großen Transportunternehmen noch extrem gering209. Die Extrak-
tion der heuristischen Entscheidungsregeln der Disponenten ist ebenso entscheidend wie
die Möglichkeit zum Strukturieren und Unterteilen des Problems in Teilprobleme .
Dies erscheint für Teilprobleme wie der Bestands- und Bedarfsermittlung, Wagenver-
folgung im Ausland etc. realistisch, so dass die Optimierung von Teilproblemen mit
regelbasierten Expertensystemen sinnvoll ist. Zur Optimierung der Gesamtdisposition
erscheinen Expertensysteme heute noch nicht geeignet. Das weiche Prozesswissen der
Disponenten fließt eher als Filterfunktion für die Ergebnisse der rechnergestützten Dis-
position in den Optimierungsprozess ein.

Disposition durch Lagerhaltungsmodelle

Modelle ohne die Optimierung von Zeit-Raum-Netzwerken entsprechen nach Beaujon/
Turnquist (1991) dem Cyclic Queueing-Ansatz, d.h. der Optimierung eines 1:1 Netz-
werkes210. Dies liegt daran, dass ungeachtet der konkreten Netztopologie die Transport-
entfernung zwischen den einzelnen Bahnhöfen nicht direkt zur Optimierung der Leer-
wagenströme herangezogen werden (vgl. Abschnitt 3.2.2.). Umgekehrt leitet sich in
diesen Modellen die Notwendigkeit zur Durchführung eines bestimmten Leerwagen-
transports aus der Verteilung von Güterwagenbeständen an verschiedenen Bahnhöfen
ab. Aus diesem Grund werden diese Modelltypen als Lagerhaltungsmodelle bezeichnet

209
Vgl. Bargl. 1994, S. X und Noll, (2002), S. Y

111
(siehe oben). Lagerhaltungsmodelle erfordern eine ex-ante Zuordnung von Quellen zu
Senken bzw. einen Zuordnungsprozess, der sich aus den Beständen ableitet. Eine Puffe-
rung erfolgt nicht nur durch die Leerbestände am Bedarfstandort, sondern auch durch
die Leerbestände in ausreichend nahe positionierten Standorten211. Der Unterschied
zwischen Lagerhaltungsansätzen der Disposition und der Literatur zu mehrstufigen La-
gerhaltungssystemen besteht in der Zuordnung der Standorte zueinander212.
- Das Lagernetzwerk ist nicht hierarchisch aufgebaut. Ein Standort, der heute Kapazitä-
ten weiterverteilt an nachgelagerte Standorte kann morgen zum Empfänger von Kapa-
zitäten werden.
- Es bestehen mehrere Herkunftsorte mit unterschiedlichen Lieferzeiten für einen Emp-
fangsstandort.

Es bestehen zwar viele Arbeiten über die mathematischen Lösungsmechanismen, aber

sehr wenig empirische Arbeiten über die tatsächliche Netzwerkstruk-
tur/Schwankungen213. Die Vorteile des Lagerhaltungsansatzes sind der geringe Bedarf
an Inputdaten (keine Nachfrageprognose nötig), Kommunikation und Zentralisierung
(kann kontinuierlich durchgeführt werden)214.

Der Vergleich der verschiedenen Dispositionsinstrumente zeigt, dass große Unterschie-

de im Modellierungsansatz bestehen. Welche Thesen können zur Forschungsfrage 2
„Welche der beeinflussbaren Rahmenbedingungen haben den größten Hebel auf dieses
Verhältnis von Wagenkapazitäten zu Service-Leveln?“ gemacht werden. Die aufzustel-
lende These sollte anhand der empirischen Untersuchung der Deutschen Bahn AG un-
tersucht werden können. Ein detaillierter Vergleich verschiedener Dispositionsinstru-
mente auf das Gesamtheit der Dispositionsentscheidungen ist angesichts der Problem-
größe im Rahmen dieser Arbeit nicht leistbar. Eine Reduzierung des Problems auf einen
bewältigbaren Netzausschnitt (vergleichbar des Ansätzen in der Literatur) würde die
Wirkung der Stochastizität verzerren. Die Hebelwirkung der Disposition auf den Wa-
genbedarf wäre nicht mit der Hebelwirkung anderer Faktoren (Service Design und Pro-
dukt-/Preisdifferenzierung) vergleichbar.

210
Vgl. Beaujon, G. J. ; Turnquist, M. A. (1991), S. 20
211
Vgl. Hall, R. W. (1999), S. 451
212
Vgl. Hall, R. W.; Zhong, H. (2002), S. 851
213
Vgl. Hall, R. W. (1999), S. 449-465
214
Vgl. Hall, R. W.; Zhong, H. (2002), S. 864

112
Es soll daher das in der Literatur herrschende Paradigma der Leerlaufminimierung zur
Reduzierung des Güterwagenbedarfs empirisch geprüft und der Funktionsweise des
Lagerhaltungsmodelle gegenübergestellt werden. Hierzu sollen die in der Annahmenkri-
tik aufgestellten Thesen am empirischen Beispiel untersucht werden.

Die These zur Hebelwirkung der Disposition lauten daher:

Die Disposition zur Leerlaufminimierung alleine stellt einen geringen Hebel auf die
beeinflussten Güterwagenstati dar.
Der Dispositionsprozess wird aufgrund des täglichen Soll-/Ist-Abgleichs im Bestand
leerer Wagen beim Kunden eher durch Lagerhaltungsmodelle wiedergegeben als durch
Modelle zur Leerlaufminimierung.

3.3.2.Produkt- und Preisdifferenzierung (externe Steuerungsinstru-

mente)

In Abschnitt 3.3.2. wird der Einfluss von Produkt- und Preisdifferenzierung auf die Gü-
terwagenproduktivität untersucht. Die Untersuchung dient zur Entwicklung von Thesen
zu Forschungsfrage 2: Welche der beeinflussbaren Rahmenbedingungen haben den
größten Hebel auf dieses Verhältnis von Wagenkapazitäten zu Service-Leveln?

Wie in Abschnitt 3.1. beschrieben, haben die Kundenanforderungen einen erheblichen

Einfluss auf die Güterwagenproduktivität. Die zwei Hebel dabei sind erstens Schwan-
kungen in der Zahl der versendeten Güterwagen (quantitative Nachfrage) und zweitens
die Schwankungen in der Bindungsdauer dieser Wagen (qualitative Nachfrage). Die zur
quantitativen Nachfrage bestehenden Ansätze der Produkt- und Preisdifferenzierung
versuchen Yield-Management-Modelle aus der (Passagier)-Luftfahrtbranche auf den
Schienengüterverkehr zu übertragen. Für die qualitative Nachfrage bestehen lediglich
im Rahmen der Standgeldregelungen Ansätze zu Produkt- und Preisdifferenzierung.

Quantitative Nachfrage: Lastlaufbezogene Modelle

Die effiziente Allokation der knappen Kapazitäten erfolgt grundsätzlich über die Festle-
gung von Preisen, welche die relative Knappheit von Gütern ausdrücken. Die klassische
mikro-ökonomische Theorie unterstellt in den Marktpreismodellen jedoch Konsumgü-
ter, die Ihren Wert bis zum Konsumzeitpunkt behalten. Da bei der Bepreisung von
113
Dienstleistungen diese Annahme nicht zutrifft (vgl. Abschnitt 1), wird im Rahmen des
so genannten Yield Managements versucht, durch gleichzeitige Produkt- und Preisdiffe-
renzierung diese Lücke zu schließen.

Bereits Anfang der 70er Jahre bestanden erste Ansätze zur Überbuchungssteuerung im
Luftfahrtbereich. Erst mit der Deregulierung des amerikanischen Luftverkehrsmarktes
1979 wurden jedoch systematisch Yield Management Methoden in der Praxis entwi-
ckelt. Aufgrund der sehr positiven Erfahrungsberichte von Luftfahrtgesellschaften wie
United Airlines wurde das Konzept seit Ende der 80er Jahre zunehmend in anderen Be-
reichen der Transportindustrie sowie anderen Branchen (Hotelgewerbe, Mietwagenfir-
men und Reiseveranstalter) eingesetzt. Yield Management ist ein „Ansatz zur integrier-
ten Preis- und Kapazitätssteuerung, mit dem Ziel, eine gegebene Gesamtkapazität so in
Teilkapazitäten aufzuteilen und hierzu Preisklassen zu bilden, dass eine Ertrags- oder
Umsatzmaximierung erreicht wird. Zur Realisierung dieses Anspruches dient der Auf-
bau und die Nutzung einer umfassenden Informationsbasis“215.

Die Anwendungsvoraussetzungen des Yield Management scheinen auf den ersten

Blick vollständig auf den Schienengüterverkehr zuzutreffen 216:
- Fixe Kapazitäten
- Nachfrageschwankungen
- Keine Lagerbarkeit der Leistung bei Nichtinanspruchnahme („Potenzialcharakter)
- Hohe Fixkosten der Kapazitätsanpassung und geringe variable Kosten der
Leistungserstellung217.
- Möglichkeit der Vorausbuchung der Leistung. In vielen Dienstleistungsbranchen
treten häufig Buchungsstornierungen von bis zu 50 % auf218.
- Möglichkeit der Marktsegmentierung.
Die einzelnen Voraussetzungen sind nicht ganz überschneidungsfrei; nach Corsten/-
Stuhlmann (1998) ist die entscheidende Voraussetzung die Differenz zwischen Anpas-
sungserfordernis durch Schwankung der Nachfrage und unzureichenden Flexibilität des
Dienstleistungsunternehmens219. Bis auf die offene Frage der Marktsegmentierung sind

215
Corsten, H.; Stuhlmann, S. (1998), S. 7
216
Vgl. Kimes, S. E. (1989), S. 349f.
217
Vgl. Keaton, M. H. (1989), S. 415
218
Vgl. Daudel, S.; Vialle, G. (1992), S. 86
219
Vgl. Corsten, H.; Stuhlmann, S. (1998), S. 12

114
bei Eisenbahntransportunternehmen grundsätzlich alle Voraussetzungen zur Anwen-
dung des Yield Management erfüllt.

Die Instrumente bzw. Teilkomponenten des Yield Managements sind220:

Reservierungssystem: Erhöhung der unternehmensbezogenen Flexibilität durch Mög-
lichkeit zur Vorausbuchung von Leistungen.
- Preisdifferenzierung: Abschöpfen der Konsumentenrente durch die Ausnutzung
der unterschiedlichen Preisbereitschaft der Nachfrager.
- Booking limits/Protection levels: Begrenzung der Billigangebote zur Stützung
des teuren Segments.
- Mathematische Methoden (Kategorisierung, was wann eingesetzt werden kann)

Zwei exemplarische Arbeiten im Bereich des Schienengüterverkehrs beschreiben die

bisherigen Ansätze der lastlaufbezogenen Produkt- und Preisdifferenzierung.
- Campbell (1996)221: Die Produkt- und Preisdifferenzierung erfolgt durch Einrich-
tung von drei verschiedene Service-Klassen im Kombinierten Verkehr (Container-
transporte mit Vor-/Nachlauf per Lkw). Bei der Bestellung der Zugsegmente gibt
der Kunde die gewünschte Relation und Service-Klasse an. Der Auftrag wird ent-
weder wie bestellt angenommen, es wird die höhere oder niedrigere Serviceklasse
angeboten oder die Anfrage wird abgelehnt. Der Ansatz ist vergleichbar mit dem
System von Amtrak für den Passagierverkehr.
- Kraft (1998)223: Die Produkt- und Preisdifferenzierung erfolgt durch einen Aukti-
onsmechanismus. Bei der Wagenbestellung wird der Versandzeitpunkt durch den
Kunden genannt. Durch das Eisenbahnunternehmen wird ein Transportplan erstellt
und die Ankunftszeit genannt. Als Preis genannt werden die „Opportunitätskosten“
für jede verkaufte Kapazitätseinheit berechnet. Die Kapazitätszuordnung wird nicht
direkt bestimmt. Es gilt stattdessen dem die Regel, dass nie eine Kapazitätseinheit
für weniger verkauft wird als seine Opportunitätskosten. Grundlage für die Festle-
gung des Angebotspreises ist die Regel, dass keine Kapazitätseinheit unter den Op-
portunitätskosten angeboten werden sollte, auch wenn eine Gewinnverbesserung

220
Vgl. Corsten, H.; Stuhlmann, S. (1998), S. 12; ähnlich McGill, J. I.; Van Ryzin, G. J. (1999), S. 236-
244
221
Campbell, K. C. (1996), S. 5
223
Vgl. Kraft, E. R. (1996), S. 10

115
 damit verbunden ist . Der Buchungskontrolle basiert damit auf einem „Schatten-
preis“ bzw. den Kostenreduktionen je Verbindung.

Umsetzbarkeit der Ansätze im Schienengüterverkehr

Die wesentliche Hebelwirkung der lastlaufbezogenen Modelle auf den Güterwagenbe-
darf besteht in der Nivellierung des Transportbedarfs: Bedarfsspitzen werden z.T. durch
höhere Transportpreise bei Bedarfsspitzen nivelliert. Wie in Abschnitt 3.1. und 3.2.1.
beschrieben, hätte dies eine Erhöhung der Güterwagenproduktivität zur Folge. Damit
diese Hebelwirkung ausgeübt werden kann, sind bestimmte Umsetzungsvoraussetzun-
gen notwendig. Die Ansätze von Campbell (1996) und Kraft (1998) beinhalten mehrere
Voraussetzungen, die im bisherigen Wagenladungsgeschäft der USA und der EU nicht
zutreffen, sehr wohl aber im Personenverkehr (Flugverkehr) praktiziert werden:
- Möglichkeit zum relationsspezifischen Ablehnen von Transporten: Ein Kunde
bestellt im Einzelwagenverkehr 100 Wagen, die er dann allerdings nur für eine
begrenzte Anzahl von wechselnden Relationen beladen kann.
- Möglichkeit zur detaillierten Kapazitätsreservierung durch den Kunden: Voraus-
setzung der o.g. Modelle ist die Angabe der Transportrelation, des Versandzeit-
punkts sowie der Wagen pro Relation beim Bestellen der Güterwagen bzw. Bu-
chung von Zugsegmenten im Einzelwagenverkehr.
- Möglichkeit zur sendungsbezogenen Preisdifferenzierung: Auf einer bestimmten
Relation, auf der ein Versender z.B. ca. 1000 Wagen pro Jahr versendet, soll für
jede einzelne Sendung von durchschnittlich 4 Wagen ein individueller Preis ver-
einbart werden, der sich nach den Opportunitätskosten/Ressourcenknappheit
richtet.

Es ist nicht realistisch, diese Preisbildungsmechanismen auf absehbaren Zeitraum im

europäischen Wagenladungsverkehr einzuführen. Ursache dafür sind die betrieblichen
Sachzwänge der großen Industrieunternehmen sowie die gegenwärtige Vertragswelt.
Tabelle 12 gibt für die einzelnen Aspekte des Airline-Yield Management die dort vor-
liegenden Voraussetzungen und die bisherigen Rahmenbedingungen im europäischen
Wagenladungsverkehr224:

224
Im Kombinierten Verkehr ist in den vergangenen Jahren eine neue Preisbildungslogik eingeführt wor-
den, die Yield-Management Elemente wie Kontingenbuchung enthält. Da der empirische Teil dieser Ar-
beit sich allerdings auf den Wagenladungsverkehr der Stahlindustrie bezieht, werden die Thesen zum
Wagenladungsverkehr entwickelt.

116
 Aspekt Rahmenbedingung Rahmenbedingung
Luftfahrt-Yield-Management Eisenbahnbetrieb
Möglichkeit zur Ab- Kunde kann Destination nach Vertrags- Kunde kann Wagen für beliebige Desti-
lehnung vonTranspor- abschluss nicht eigenmächtig ändern. nation aufgeben. Ablehnung von Teilge-
ten Ablehnung von Kunden ist möglich schäft des Kunden ist de fakto nicht
möglich.
Kapaz.-Reservierung: Es bestehen nur reservierte Plätze; die Derzeit erfolgenden Wagenbestellungen
Zeitlicher Vorlauf Reservierungsfrist variiert. einen Tag im Voraus. Zugbestellungen
Bestellung – Durch- Last-Minute-Kontingente bestehen nur werden z.T. früher gemacht, aber ohne
führung für Restbestände. Angabe der Wagenzahl.
Kapaz.-Reservierung: Es besteht Ex-Ante ein klare Kapazi- Keine Maximalgrenze des Angebots.
Mengenbegrenzung tätsaussage/Maximalgrenze des Ange- Die Begrenzung der versendeten Wagen
bots fest je Relation/Tag ist im EW-Vverkehr
auch nicht möglich (s.o.)
Kapaz.-Reservierung: Die Destination steht bei Bestellung fest Die Destination steht bei Wagenbestel-
Prognostizierbarkeit lung nicht fest
der Destination
Preisdifferenzierung: Es bestehen Einmaltransaktionen, ggfs. Es bestehen Jahreskontrakte mit festen
Vertragsstruktur mit Mengenrabatten (Vielfliegerbonus) Preisen je Relation oder Relationenbün-
del; teilweise bestehen Mengenboni
bzgl. der Jahresmengen.
Preisdifferenzierung: Wettbewerb besteht aus dem gleichen intermodaler Wettbewerb, der nach
Sendungsbezug. Verkehrsträger. Wettbewerb differen- Relation differenziert. Ressourcenbezo-
ziert nach Relation nach dem einzelnen gene Bepreisung führt z.T. zu unnötigen
Passagier. Preisabsenkungen führt.

Tabelle 12: Vergleich Rahmenbedingungen des Yield Management in der Luftfahrt ge-
genüber dem Schienengütertransport225

Die Anwendungsvoraussetzungen der transportbezogenen Produkt- und Preisdifferen-

zierung ist im europäischen Wagenladungsverkehr daher nicht gegeben. Eine Hebelwir-
kung auf die Güterwagenproduktivität besteht daher nicht und kann auch nicht empi-
risch untersucht werden. Die transportbezogene Produkt- und Preisdifferenzierung wird
daher im Rahmen dieser Arbeit nicht weiter betrachtet.

225
Quelle : Eigene Darstellung

117
Qualitative Nachfrage: Standgeld
Die qualitative Wagennachfrage bezieht sich auf die Bindung der Güterwagen durch
den Kunden. Die einzigen Abschnitte der Wagenumlaufzeit, der ausschließlich durch
den Kunden beeinflusst wird, sind die Be- und Entladedauern. Die im Eisenbahnbetrieb
dominierende Form der Produkt- und Preisdifferenzierung bzgl. dieser qualitativen
Nachfrage ist die Ladefristvereinbarung, verbunden mit einer Wagenstandgeldregelung.

Für jeden Kundenstandort wird je nach den örtlichen Be-/Entladebedürfnissen eine in-
dividuelle Ladefrist vereinbart. Wird die Ladefrist überschritten, so zahlt der Kunde das
sogenannte Wagenstandgeld. Es orientiert sich in den meisten Fällen an den Wagenkos-
ten bzw. marktüblichen Mietpreissätzen. Es bestehen mehrere Gründe, warum diese
standortbezogene Preisdifferenzierung einer relationsbezogenen Preisdifferenzierung
überlegen ist:
- Nur am (Kunden-)Standort sind der Einfluss des Kunden auf die Güterwagenbin-
dung eindeutig zu ermitteln.
- Zum Zeitpunkt der Wagengestellung steht nicht fest, welche Wagen in welcher Re-
lation eingesetzt werden. Die Be-/Entladedauer des Kunden hängt ebenfalls nicht
davon ab, wohin die Wagen transportiert werden.
- Die Wagenbindung ist immer erst ex post bestimmbar. Eine Beeinflussung der Wa-
genbindung durch den Kunden erfolgt eher in Reaktion auf gemessene Veränderun-
gen der Be-/Entladedauern. Daher kann es nur sehr pauschal vor Messung der Wa-
genbindung bepreist werden.

Die Ladefristen einzelner Wagen schwankt sehr stark. Wichtig für die finanzielle Wir-
kung der Standgeldregelungen sind daher Variationen in der Summierung der Ladefris-
ten über mehrere Wagen:
- In Nummernkontroll-Verfahren wird die Überschreitung der Be-/Entladefrist für
jeden einzelnen gestellten Wagen gesondert ermittelt. Jede Überschreitung wird
standgeldwirksam.
- In Stückkontrollverfahren hingegen werden Wagen mit Überschreitungen und mit
Unterschreitungen der Fristen in Summe betrachtet. Hierdurch entstehen nur dann
Standgelder, wenn im Mittel aller betrachteten Wagen die Be-/Entladefrist
überschritten wird.
- Aufgrund verschiedener Guteigenschaften (Gewicht, Volumen, Form etc.) bestehen
große Unterschiede in der Be-/Entladedauer je Wagengattung. Je mehr Gattungen
118
 im Standgeldverfahren in Summe betrachtet werden, um so größer sind die Mög-
lichkeiten zum Ausgleich von Ladefristüberschreitungen durch „schnelldrehende
Wagen“.

Wichtig für den Einfluss der Standgeldregelung auf die Güterwagenproduktivität ist,
dass der Preismechanismus nur bei Überschreitung der Be-/Entladefrist wirksam wird.
Solange die Be-/Entladefrist durch den Kunden eingehalten wird, besteht kein Anreiz
für den Kunden, die Güterwagenbindung weiter zu reduzieren. Die beim individuellen
Kunden notwendige Be-/Entladedauer kann allerdings stark durch den Kunden beein-
flusst werden226. Die unter Realisierung aller Optimierungsmöglichkeiten maximal
notwendige Be-/Entladedauer ist durch das Eisenbahnunternehmen nicht beobachtbar.
Die Standgeldregelung stellt daher einen sehr begrenzten Hebel auf die Güterwagen-
produktivität dar. Sie verhindert ein Ausufern der Wagenbindung im Kundenanschluss,
differenziert unterhalb der Maximalgrenze allerdings den Preis nicht mehr nach der
Wagenbindung.

Unsere These zum Einfluss der Produkt-/Preisdifferenzierung auf die Güterwagenbin-

dung lässt sich daher wie folgt formulieren:
Die Produkt- und Preisdifferenzierung mit Standgeld alleine stellt einen geringen Hebel
auf die beeinflussten Güterwagenstati dar.

3.4. Fazit

In Abschnitt 3 wurde die relevante Literatur zu den Kernprozessen des Güterwagenma-

nagements analysiert, um Thesen zu den beiden Forschungsfragen zu gewinnen.

Forschungsfrage 1: „Wie viel Wagenkapazitäten benötigt man angesichts gegebener

Systemparameter (exogener Nachfrage- und Kapazitätsschwankungen), um ein be-
stimmtes Service-Level zu erreichen?“
Zur Gewinnung von Thesen zu Forschungsfrage 1 wurden die Erkenntnisse der Litera-
tur zu den folgenden Kernprozessen untersucht:

226
Vgl. De Geeter, G. (2003), S. 2 ; Am Standort Sidmar (Belgien) wurde die mittlere Be-/Entladedauer
in 8 Jahren um insgesamt 29 % gesenkt. Die Ladefristüberschreitungen wurden hierdurch um 93 % redu-
ziert.

119
 - Prognose der Kundenerwartungen (qualitativ und quantitativ)
- Umsetzung der Kundenerwartungen in Kapazitätsbedarf (Kapazitätsableitung).
Die in der Literatur bestehenden Prognosemodelle beziehen sich auf Monats- und Jah-
reswerte. Die Ableitung des Kapazitätsbedarfs beruht in fast allen Arbeiten auf Zeit-
Raum-Netzwerken zur Abbildung der einzelnen Güterwagenbewegungen. Der Güter-
wagenbedarf wird anhand der prognostizierten Leer- und Lastbewegungen abgeleitet.
Die durch den Kunden bedingten Schwankungen in der Standzeit beim Kunden werden
dabei ignoriert. Dies führt zur signifikanten Unterschätzung des tatsächlichen Güterwa-
genbedarfs durch die bestehenden Modelle.

Die eigenen Thesen zur Forschungsfrage 1 lauten wie folgt:

Die Abstraktion von Zeit-Raum-Netzwerken bei der Wagenbedarfsprognose ermöglicht
eine hohe Prognosegüte auf Tagesebene. Zur Spitzenabdeckung werden überproportio-
nal mehr Wagen benötigt als zur Grundversorgung.

Diese These baut auf folgenden Unterthesen zu den Kernprozessen des Güterwagen-
manage-ments auf:
Die Bedarfe schwanken tageweise stärker als wöchentlich.
Bestellungen sind z.T. größer als der tatsächliche Güterwagenbedarf.
Die zeitliche Bindung der Güterwagen durch den Kunden schwankt stark.
Die flexible Nutzung von Wagenkapazitäten puffert interne Prozesse der Verlader und
stellt ein wichtiges Leistungskriterium der Eisenbahn dar.
Kausalmodelle eignen sich weniger zur Prognose als Zeitreihenmodelle.
Kapazitätsermittlung mit Schwankungen in der Güterwagenbindung liefert genauere
Bedarfsprognosen als mit konstanter Bindungsdauer je bestelltem Güterwagen.

Forschungsfrage 2: „Welche der beeinflussbaren Rahmenbedingungen haben den größ-

ten Hebel auf dieses Verhältnis von Wagenkapazitäten zu Service-Leveln?“
Zur Gewinnung von Thesen zur Forschungsfrage 2 wurden die Erkenntnisse der Litera-
tur zu den folgenden Kernprozessen analysiert:
- Umsetzung der Kundenerwartungen in Kapazitätsbedarf (Definition Service Design)
- Kapazitätssteuerung bei der Integration des externen Faktors (Disposition und Pro-
dukt-/Preisdifferenzierung).

120
In der Literatur wird die Wirkung des Service-Designs als Kontextfaktor für die Güter-
wagenproduktivität im wesentlichen ignoriert. Als Instrument der Kapazitätssteuerung
dominiert die Güterwagendisposition (Minimierung der Leerlauf-km durch optimale
Zuordnung leerer Güterwagen zu Lastläufen). Der Einfluss von Produkt- und Preisdiffe-
renzierung auf die Güterwagenbindung durch den Kunden wurde bisher nicht unter-
sucht.

Die eigenen Thesen zur Forschungsfrage 2 lauten wie folgt:

Das Service-Design ist der größte Hebel zur Beeinflussung des Güterwagenbedarfs.
Diese These baut auf folgenden Unterthesen zu den Kernprozessen des Güterwagen-
manage-ments auf:
Das Service-Design stellt einen großen Hebel auf die beeinflussten Güterwagenstati
dar. Der Güterwagenbedarf ist um so höher je
- höher der Anteil an Einzelwagenverkehren ist
- länger die Pause zwischen Bedienfahrten ist
- eher die Wagen beim Kunden gelagert werden.
Die Disposition zur Leerlaufminimierung alleine stellt einen geringen Hebel auf die
beeinflussten Güterwagenstati dar.
Der Dispositionsprozess wird aufgrund des täglichen Soll-/Ist-Abgleichs im Bestand
leerer Wagen beim Kunden eher durch Lagerhaltungsmodelle wiedergegeben als durch
Modelle zur Leerlaufminimierung.
Die Produkt- und Preisdifferenzierung mit Standgeld alleine stellt einen geringen He-
bel auf die beeinflussten Güterwagenstati dar.

Teil 2: Empirische Untersuchung

Im Teil 2 sollen die beiden Forschungsfragen dieser Arbeit
- Wie viel Wagenkapazitäten benötigt man angesichts gegebener Systemparameter
(exogener Nachfrage- und Kapazitätsschwankungen), um ein bestimmtes Service-
Level zu erreichen?
- Welche der beeinflussbaren Rahmenbedingungen haben den größten Hebel auf die-
ses Verhältnis von Wagenkapazitäten zu Service-Leveln?
anhand einer empirischen Studie zum Güterwagenmanagement der Deutschen Bahn AG
beantwortet werden. In Teil 1 dieser Arbeit wurden die Aussagen der relevanten Litera-

121
tur zu den Forschungsfragen untersucht und eigene Thesen aufgestellt. Diese basieren
auf Unterthesen zu jedem der Kernprozesse des Güterwagenmanagements:
Prognose der Kundenanforderungen
- Quantitative Bedarfsprognose
- Qualitative Bedarfsprognose
Ableitung der benötigten Kapazitäten
- Entwicklung des Service Designs
- Kapazitätsableitung
Kapazitätssteuerung
- Disposition
- Produkt- und Preisdifferenzierung.

In Abschnitt 4 wird die empirische Studie beschrieben und die Unterthesen qualitativ
untersucht. In Abschnitt 5 wird ein Modell der Güterwagenstati entwickelt, das die Ba-
sis zur quantitativen Untersuchung der Forschungsfragen darstellt. In Abschnitt 6
schließlich werden die o.g. Thesen operationalisiert, überprüft und kommentiert.

122
4. Empirische Studie und Problemkontext

Die o.g. Thesen werden anhand der empirischen Studie des Güterwagenmanagements
der Deutschen Bahn AG geprüft. Zur besseren Abgrenzung der Studie wurde das Gü-
terwagenmanagement einer spezifischen Branche, der Stahlindustrie, ausgewählt. Die
betrachtete Güterwagenflotte umfasst 4000 sogenannte Shi-Wagen zum Transport von
Stahlcoils. Es wird in diesem Abschnitt untersucht:
- Wie wird die Studie abgegrenzt und was sind die Vorteile bezüglich der For-
schungsfragen? (Abschnitt 4.1.)
- Welche Entwicklung hat das Güterwagenmanagement im Laufe der Bahnreform der
Deutschen Bahn AG durchlaufen? (Abschnitt 4.1.)
- Basierend auf dem heutigen Güterwagenmanagement der Deutschen Bahn AG:
Welche qualitativen Aussagen können zur o.g. Thesen getroffen werden? (Abschnitt
4.2.)

4.1. Auswahl und Beschreibung der Studie

Vorteile der Konzentration auf die Stahlindustrie und die Shi-Flotte

Eine empirische Untersuchung sollte sinnvoller weise auf einen bzgl. der Güterwagen-
anforderungen homogenen Kundenkreis konzentriert werden. Es bestehen mehrere
Gründe, welche für die Konzentration auf Verkehre der Stahlindustrie sprechen:
- Bereits seit Jahrzehnten ist die deutsche Stahlindustrie der größte Kunde der
Bahn. In den 30 Jahren vor der Bahnreform hatte sich der Gesamt-Marktanteil
mehr als halbiert (1963: 38,7 %; 1993: 16,6%), während der er für die Güter-
gruppen Kohle, Erz sowie Stahl und Eisen lediglich um 14 % von 70 % Markt-
anteil in 1963 auf 60 % (1993) absank227. Die Anteilsverluste sind durch die
Verdrängung deutscher Steinkohle durch Importkohle verursacht, die wesentlich
stärker durch das Binnenschiff konkurrenziert wird. Der Marktanteil für den
Versand an fertigen Stahlprodukten, der hier betrachtet werde wird, ist konstant
geblieben. Für die Betrachtung mehrjähriger Entwicklungen in der Güterwagen-
nachfrage ist dies ein großer Vorteil.
- Einer der wesentlichen Gründe für die Schienenaffinität von Stahltransporten
liegt in der Flexibilität des Eisenbahnbetriebs bzgl. der Be- und Entladezeiten

227
Wirtschaftsvereinigung Stahl (1999), S. 2

123
 der Güterwagen. Aufgrund der integrierten Brammenguss-, Warm- und Kalt-
walzwalztechnologie muss das Produktionsmanagement des Stahlwerks die zeit-
liche und qualitative Konsistenz der Materialströme gewährleisten. Dies erfolgt
durch Zwischenlager auf den einzelnen Bearbeitungsstufen. Diese Lagerung fin-
det vor und nach der Bearbeitung auf Güterwagen statt und entzerrt die Anfor-
derungen zur zeitlichen Koordination der Kranführer zur Be- und Entladung.
Das hohe Sendungsgewicht und die z.T. räumlich beengte Lage der Ladestras-
sen führt zum o.g. Eisenbahn-Transportanteil von 50-70 % der Stahlhersteller,
der deutlich über dem Anteil anderer Industrien liegt. Die Güterwagenversor-
gung hat daher eine erhebliche Bedeutung für die betriebliche Abwicklung der
Stahlwerke. Insbesondere kurzfristig auftretende Versorgungsstörungen kann ein
Stahlwerk auch beim Ausweichen auf den Lkw i.d.R. nur schwer ausgleichen,
das Risiko einer betrieblichen Störung ist sehr hoch. Die Bedeutung der Flexibi-
lität in Zahl und zeitlicher Bindung von Güterwagen kann daher anhand der
Stahlindustrie besonders gut untersucht werden.
- Die Stahlindustrie erleichtert aufgrund von Strukturmerkmalen die empirische
Untersuchung des Güterwagenmanagements:
o Es bestehen wenige Versandstandorte mit großer Aufkommenskonzent-
ration, was die empirische Untersuchung vereinfacht.
o Der zugrundeliegende Gesamt-Transportbedarf lässt sich anhand der
Stahlproduktion relativ gut prognostizieren (1 t produzierten Stahl
bedeutet i.d.R. 3 t Transportbedarf für Kohle, Erz und Stahl).

Damit ist die Stahlindustrie ein sehr geeignetes Studienobjekt für das Güterwagenma-
nagement. Allerdings wäre es nicht sinnvoll, alle Güterwagen der Stahlindustrie zu be-
trachten. Die Umlaufzeit der durch die Stahlindustrie eingesetzten Güterwagengattun-
gen schwankte in 2002 zwischen ca. 2 und 25 Tagen je nach Wagengattung. Bei sum-
marischer Betrachtung mehrerer Gattungen führen Veränderungen im Mix der Güter-
wagengattungen daher zu massiven Verzerrungen in der Aussagekraft von empirischen
Daten zum Güterwageneinsatz. Ebenso führen Veränderungen in der Struktur der Ver-
sender einer einzelnen Wagengattung zu großen Veränderungen der Umlaufzeit. So z.B.
wenn ein Flachwagen nicht mehr in der Stahlindustrie (kurze Umlaufzeiten), sondern in
der Baubranche (extrem lange Umlaufzeiten) eingesetzt wird.

124
In der empirischen Untersuchung sollte daher eine einzelne Wagengattung komplett
betrachtet werden, die nur durch feststehende Versender eingesetzt wird. Von allen Wa-
gengattungen, die in der Stahlindustrie eingesetzt werden, sind die Shi-Wagen am bes-
ten für eine empirische Untersuchung geeignet:
- Auf Shi-Wagen werden Stahl-Coils zu Automobilindustrie und verarbeitendem Ge-
werbe versendet. Mangelnde Wagengestellung führt zu Umsatzausfällen und Hand-
lingkosten, was die Relevanz für die Stahlindustrie weiter erhöht.
- Der Bedarf an Shi-Wagen durchläuft im Konjunkturverlauf stärkere Schwankungen
als andere Güterwagen, was in Spitzenzeiten Extremanforderungen an das Güterwa-
gen-management stellt und finanzielle Ausfälle für die Deutsche Bahn AG bedeutet.
Die Bedeutung von Nachfrageschwankungen ist am Beispiel der Shi-Wagen daher
besonders gut zu beobachten.
- Die bisherigen Investitionsentscheidungen der Deutschen Bahn AG und der steigen-
de Anteil der Kaltband-Transporte am Transportaufkommen haben aus Sicht der
Stahlindustrie zu einer gewissen Unterkapazität geführt. Im Gegensatz zu anderen
Wagengattungen stellt sich hier die Frage, wie stark die Kapazitäten noch auszuwei-
ten sind. Die Umlaufzeit der Wagen wird also nicht durch strukturelle Überkapazitä-
ten verfälscht.
- 80 % der Tages-Bestellungen von Shi-Wagen konzentrieren sich auf nur 8 Standor-
te. Daher können bei Bedarf Einzelauswertungen für spezifische Standorte durchge-
führt werden, die dennoch eine repräsentative Stichprobe der Grundgesamtheit aller
Shi-Wagen darstellen. Abbildung 17 zeigt diese Versand-Standorte, die größten
Empfangsstandorte sowie zwei „Hubs“, über die bei Knappheit Leerwagen herbei-
geführt werden.

125
 Lalendorf
Elmshorn Güstrow
Norddeich Bad Kleinen
Wedel Pinneberg Schwerin
Neubrandenburg Pasewalk
Wilhelmshaven Hamburg Hagenow Karow
Bremerhaven Stade
Nordenham- HH Altona Büchen Land Grambow
Aumühle
Emden
Blexen HH Harburg Maschen Neustrelitz Prenzlau Tantow
Leer Buchholz Lüneburg Ludwigslust Pritzwalk

Oldenburg
Ihrhove Hude
Bremen
Langwedel
Rotenburg/W.
Uelzen Wieren Wittenberge
Angermünde
Löwenberg
Eberswalde
POLEN
Verden Neustadt/D.
Salzwedel Oranienburg
Meppen Kietz
Stendal Nauen
Nienburg Celle Zoo Hbf Werbig
Oebisfelde Wustermark
Berlin
Lehrte Gifhorn
Bad Bentheim
Wanne-E. Rheine
Salzbergen
Osnabrück
Wunstorf Hannover
Wolfsburg Brandenburg Potsdam
Seddin
Ludwigsfelde
Frankfurt/O.
Gronau Minden Magdeburg
Wanne-E. Herford
Löhne
Hameln
Nordstemmen
Hildesheim Braunschweig Wiesenburg Belzig

Oberhausen Borken
Dortmund
Coesfeld Münster Bielefeld Lage Elze
Halberstadt
Schönebeck
Calbe
Lutherstadt
Wittenberg
Jüterbog Lübbenau
Eisenh.-
Emmerich
Recklinghausen Altenbeken
Holzminden Goslar
Kreiensen Salzgitter Bad
Bad Stapelburg Güsten
Aschersleben
Dessau Cottbus
Forst
Bottrop Gelsenk.
Lünen
Bochum Hamm
Paderborn Ottbergen
Northeim Harzburg
Sandersleben
Köthen
Bitterfeld Senftenberg stadt
Krefeld
Duisburg Unna
Schwerte
Soest
Hann. Münden Göttingen
Nordhausen Halle Delitzsch Falkenberg Elsterwerda

Kaldenkirchen
Viersen
Düsseldorf
Essen
Hagen Brilon Wald
Warburg
Kassel
Eichenberg
Leinefelde
Sangerhausen

Weißenfels
Leipzig Riesa
Bautzen
Horka
Mönchen- Bischofswerda
Neuss Guntershausen Görlitz
gladbach
Dalheim Döbeln
Gummersbach Altenburg
Dresden Ebersbach
Weimar Zeitz
Aachen West
Rheydt
Köln
Gremberg Kreuztal Bebra
Eisenach Gotha
Erfurt Gera Flöha Freiberg Bad Schandau Zittau

Aachen
Euskirchen Bonn
Troisdorf Siegen
Betzdorf
Dillenburg
Marburg Leerwagenpuffer Arnstadt
Jena
Weida
Gößnitz
Werdau
Chemnitz

Zwickau
Annaberg
Gießen Suhl Saalfeld Aue
Wetzlar Probstzella Johann-
Fulda Meiningen Grimmenthal Mehltheuer Plauen
Georgen-
Koblenz Neuwied
Limburg
Niederlahnstein Kronberg Friedberg
Flieden
Größte Versandstandorte Sonneberg
Hof
stadt
Bad Brambach
Gerolstein Coburg Oberkotzau
Wiesbaden Frankfurt a. M. Gelnhausen
Hanau Gemünden Lichtenfels Schirnding
Schweinfurt Neuenmarkt- Marktredwitz
Bingen Mainz
F Flughafen Wirsberg
Aschaffenburg Waigolshausen Bamberg Bayreuth
Ehrang Bad Kreuznach Kirchenlaibach
Igel
Trier
Worms
Darmstadt
Empfangsstandorte der
Würzburg Schnabelwaid
Weiden
Neukirchen
Perl
Neunkirchen
Kaiserslautern Grünstadt

Homburg Neustadt/W.
Ludwigsh.
Mannheim Eberbach
Heidelberg Neckarelz
Osterburken Coiltransporte (Exemplar.)
Lauda
Nürnberg
Fürth
Altdorf
Schwandorf
Furth im Wald
Saarbrücken Zweibrücken Feucht
Bad Friedrichshall- Crailsheim Ansbach
Hanweiler- Landau Graben-Neudorf Bayerisch Eisenstein
Winden Bruchsal Jagstfeld
Bad Rilchingen Heilbronn Schwäb. Hall-
Berg Regensburg
Mühlacker Hessental Treuchtlingen
Karlsruhe Backnang
Pforzheim Ludwigsburg
Rastatt Stuttgart Waiblingen
Weil der Plattling
Baden-Baden Aalen
Stadt Flugh. Stg Plochingen Donauwörth Ingolstadt Passau

Offenburg
Kehl
Appenweier
Freudenstadt
Böblingen
Tübingen
Neuoffingen Landshut
Neumarkt

Hausach
Horb Ulm Augsburg Glauchau
München
M. Flughafen
Erding
Simbach
Ismaning Mühldorf
Sigmaringen
Geltendorf Garching
Tuttlingen M. Ost
Freiburg Memmingen M. Pasing
Donaueschingen Buchloe
Titisee Hattingen Aulendorf Traunstein

Abbildung 17: Versand- und Empfangsstandorte von Shi-Transporten228

Die empirische Untersuchung der Optimierungsmöglichkeiten im Güterwagenmanage-

ment wird aufgrund dieser Vorteile anhand der Shi-Flotte durchgeführt, die ausschließ-
lich kaltgewalzte Stahl-Coils befördert.

Entwicklung des Güterwagenmanagements vor der Bahnreform

Die frühesten Bemühungen zur Innovation des Güterwagenmanagements der Deutschen
Bahn AG in der Nachkriegszeit liegt über 30 Jahre zurück. Bereits 1968 rief der Interna-
tionale Eisenbahnverband (UIC) seine Mitglieder auf, für die Leerwagenverteilung ge-
eignete Datenverarbeitungsmodelle zu entwickeln. Hintergrund war der – trotz immen-
ser Wagenkapazitäten - chronische Wagenmangel bei den Europäischen Bahnverwal-
tungen in Zeiten der Hochkonjunktur. Alle in den 70er Jahren gestarteten Versuche
blieben jedoch erfolglos – bis auf das Projekt der SBB. Den Schweizerischen Bundes-
bahnen (SBB) gelang es nach einer dreijährigen Entwicklungsphase bereits 1976, die
Disposition ihrer leeren Güterwagen auf ein Rechnerverfahren umzustellen.

Die Deutsche Bundesbahn war die zweite europäische Bahn, die diese Prozessinnovati-
on durchführte – ungleich komplexer angesichts eines fünffach größeren Streckennetzes

228
Quelle: Eigene Darstellung

126
und einer wesentlich höheren Zahl an Güterwagen. In der Bundesbahn gab es bis zur
Bahnreform eine Verbundproduktion von Personen und Güterverkehr, die im wesentli-
chen regional war, d.h. basierend auf regionalen Bundesbahndirektionen mit eigenen
Bahnhöfen. Traditionell erfolgte die Güterwagendisposition dabei in einem dreistufigen
Prozess:
- Die Güterabfertigungen in den Bahnhöfen melden Bedarfe und Bestände an ihre
Bundesbahndirektionen.
- Die Zentralstelle Absatz scheidet aufgrund von Summenmeldungen leere Gü-
terwagenkapazitäten von Direktionen mit Bestandsüberschuss den Direktionen
mit Bedarfsüberschuss zu. Hierdurch wird für eine bundesweit ausgeglichene
Lage gesorgt.
- Die Bundesbahndirektionen disponieren die Ihnen zugeschiedenen leeren Wa-
gen zwischen den Güterverkehrsstellen der Direktion.
Dieses Verfahren wurde manuell optimiert und stützte sich weitgehend auf telefonische
Abstimmung zwischen den Direktionen. Die Folge dieser dezentralen Prozessverant-
wortung waren große Intransparenz der Güterwagenbestände und strategisches Verhal-
ten auf allen Dispositionsebenen (Kunde/Bahnhof/Direktion). Anfang der 90er Jahre
hatte die Deutsche Bahn noch fast 200.000 Wagen229.

Im September 1987 beschloss der Bundesbahn-Vorstand die Einführung einer Rechner-

gesteuerten Leerwagenverteilung230. Die Verfahrenseinführung erfolgte nach umfang-
reichen Entwicklungsarbeiten zum 31. Juli 1991. In dem neuen Verfahren wurden die
Bedarfs- und Bestandsmeldung der Bahnhöfe direkt an eine zentrale Stelle gemeldet, an
der dann täglich die Leerwagenoptimierung durch einen Großrechner erfolgte. Die
Rechneroptimierung beruht auf der Minimierung der Leerwagenkilometer durch ein
statisches und deterministisches Optimierungsmodell (eingesetzt wurde ein Out-of-
Kilter-Algorithmus). Abschnitt 4.2. beschreibt den Prozessverlauf genauer. Dieses
rechnergesteuerte Verfahren - auf veränderten DV-Strukturen aufbauend - stellt heute
nach wie vor das Herzstück der Güterwagendisposition der Deutschen Bahn AG dar.

229
Pällmann, W. (1991), S. 387
230
Waldinger, P.; Sieg, H-C. (1991), S. 389

127
Organisatorische Änderungen im Rahmen der Bahnreform
Mit den Gesetzen zur Bahnstrukturreform wurden zum 1.1.1994 die vorher als Sonder-
vermögen des Bundes organisierten Deutsche Reichsbahn und die Deutsche Bundes-
bahn in die Deutschen Bahn AG umgewandelt. Im Rahmen der zweiten Phase der
Bahnreform wurde die Bundesbahn aufgeteilt in drei selbständige Aktiengesellschaften
für Fahrweg, Personenverkehr und Güterverkehr (Gründung der DB Cargo-
Projektgesellschaft GmbH zum 1.1.1997, Gründung der DB Cargo AG zum 1.1.1999).
Der Geschäftsbereich Traktion und Werke wurden Anfang 1998 nach dem Meistnutzer-
prinzip auf die Gesellschaften Personenverkehr und Güterverkehr aufgeteilt. Die Werke
wurden ab 2000 jedoch wieder herausgetrennt und in einen geschlossenen Service-
Bereich eingebracht.

Durch die Bahnreform wurde der Bereich Güterverkehr also in eine eigene Gesellschaft,
die DB Cargo AG eingebracht. Die weiteren Ausführungen dieser Arbeit beziehen sich
daher immer auf die DB Cargo AG als Tochtergesellschaft der Deutschen Bahn AG231.
Anfang 1997 wurden die regionalen Güterverkehrsaktivitäten der DB Cargo AG aus 30
sogenannten Regionalbereichen in 20 Niederlassungen mit 96 Außenstellen ausgeglie-
dert232. Die Verkaufsorganisation wurde analog in 5 Marktbereiche ausgegliedert. Mit
ca. 50 % der beförderten Tonnage und ca. 30 % des Umsatzes war und ist der Marktbe-
reich Montan (der die betrachtete Stahlindustrie betreut) der größte Marktbereich der
DB Cargo AG. Die Organisation der DB Cargo AG wurde aus einer regionalen Organi-
sation mit wenigen zentralen funktionalen Zuständigkeiten zu einer stark funktionsbe-
zogenen Organisation, die grob nach Verkauf, Produktion und Controlling/Finanzen
unterteilt werden kann.

Aufbau KundenServiceZentrum als Sitz der Güterwagendisposition

Nach der Einführung der rechnergesteuerten Leerwagenverfügung erfolgte der nächste
große Schritt im Güterwagenmanagement durch die Einrichtung eines zentralen Call-
Centers zur operativen Steuerung des Güterwagenmanagements (KundenServiceZent-
rum).

231
Im Rahmen des 2002 erfolgten Kaufs der Stinnes AG durch die Deutsche Bahn AG wird in 2003 die
DB Cargo AG im Unternehmensmantel der Stinnes AG aufgehen. Die Schienengüterverkehrsaktivitäten
werden in zwei Business Units weitergeführt: Der Unit „Freight Logistics“, welche auch die Stahlindust-
rie betreut; und der Unit „Intermodal“, die Kombinierten Verkehr durchführt.
232
Julitz, L. (1998), S. 86

128
Bereits 1996 wurde ein Vorläufer als KundenInformationsZentrum in Duisburg aufge-
baut. Die Einführung des KSZ mit allen betrieblichen Funktionen erfolgte im Herbst
1998. Die wesentliche Veränderung durch Einrichtung des KSZ war die Zentralisierung
der Güterwagenabfertigung, die bislang in den Bahnhöfen stattfand. Vorher gaben Per-
sonale der regionalen Bahnhöfe eigenständig Angaben über den Güterwagen-Bedarf
und Bestand ab, die oft zur eigenen Optimierung angepasst wurden. Durch Einrichtung
des KSZ gibt es eine zentrale Anlaufstelle für die Bestellung von Güterwagen durch
Kunden. Genauso erfolgt zentral die Feststellung der Güterwagenbestände anhand der
Daten des ProduktionsVerfahrens Güterverkehr (PVG). Erst hierdurch wurden Standar-
disierung der Wagenkontrollen sowie eine deutliche Verbesserung der Datenqualität der
Güterwagenbestände ermöglicht. Beides hat massiven Einfluss auf die Güterwagenpro-
duktivität.

Wechsel in den Zuständigkeiten für das Güterwagenmanagement

Die Zuständigkeit für das Güterwagenmanagement wanderten innerhalb der DB Cargo
AG nach der Bahnreform zwischen den Bereichen. Innerhalb von 5 Jahren wurden
Teilkompetenzen aus den Regionalbereichen zunächst in die zentrale Produktion, an-
schließend in das 1998 neugegründete KSZ verlagert. Da das Güterwagenmanagement
die funktionsübergreifende Zusammenarbeit aller Betriebsteile erfordert, konnte aller-
dings mit keiner dieser Organisationsregelung eine befriedigende Lösung gefunden
werden. Zum 1.1.2002 wurde der Güterwagenpark der DB Cargo AG daher komplett
auf die Marktbereiche aufgeteilt und die Gesamtverantwortung für den Güterwagenein-
satz an einer Stelle gebündelt. Die übrigen Bereiche werden als interner Dienstleister
durch die Marktbereiche koordiniert.

Eine erste Beschreibung des untersuchten Studienobjekts zeigt damit, dass Güterwagen-
management keinesfalls ohne den fallspezifischen Kontext betrachtet werden darf. Vor-
aussetzungen zum Güterwageneinsatz, die in einer Flotte/Branche/Eisenbahn-
unternehmen gegeben sind, fehlen in einem anderen Kontext vollständig. Dieser Kon-
textbezug fehlt in der bisherigen Forschungsarbeit zum Güterwagenmanagement weit-
gehend (vgl. Abschnitt 3). Die ausgewählte Flotte von Shi-Wagen bietet eine empiri-
sche Basis, deren Kontext sich über die letzten Jahre nur sehr wenig verändert hat und
frei ist von Interdependenzen mit anderen Branchen. Die Restrukturierung der Deut-
schen Bahn AG im Rahmen des Privatisierungsprozesses hat die organisatorischen

129
Rahmenbedingungen des Güterwagenmanagements in den vergangenen Jahren mehr-
fach stark verändert. Die erhebliche Produktivitätsverbesserung im Güterwagenbereich
rührt keinesfalls ausschließlich aus der Optimierung bestimmter betrieblicher Kenngrö-
ßen mittels OR-Instrumenten. Es ist vielmehr so, dass der überwiegende Teil des Eisen-
bahnbetriebs starke Interdependenzen mit dem Güterwagenmanagement aufweißt. Auf-
grund der starken Bedeutung des Kontextes soll im folgenden Abschnitt untersucht
werden, inwiefern die Voraussetzung zur Untersuchung der Thesen im Rahmen der
Studie vorliegen oder nicht.

4.2. Plausibilisierung der Thesen

Forschungsfrage 1
Da das Modell zur Ableitung des Kapazitätsbedarfs erst in Abschnitt 5 entwickelt wird,
muss sich die Plausibilisierung auf die Unterthesen beschränken. Alle 6 Unterthesen zur
Forschungsfrage 1 kreisen um die Frage, wie stark die Nachfrage der Stahlhersteller
nach Güterwagen schwankt:
1.) Die Bedarfe schwanken tageweise stärker als wöchentlich.
2.) Bestellungen sind z.T. größer als der tatsächliche Güterwagenbedarf.
3.) Die zeitliche Bindung der Güterwagen durch den Kunden schwankt stark.
4.) Die flexible Nutzung von Wagenkapazitäten puffert interne Prozesse der Verlader
und stellt eine wichtiges Leistungskriterium der Eisenbahn dar.
5.) Kausalmodelle eignen sich weniger zur Prognose als Zeitreihenmodelle.
6.) Kapazitätsermittlung mit Schwankungen in der Güterwagenbestellung und der
Güterwagenbindung liefert genauere Bedarfsprognosen als mit konstanter Bin-
dungsdauer je bestelltem Güterwagen.

Sowohl die Zahl der versendeten Wagen (Bestellungen und Zahl der Transporte) als
auch deren zeitlich Bindung durch den Kunden wird als täglich stark schwankend ange-
nommen (These 1-4). Würde sich dies bestätigen, so hätte dies erstens zur Folge, dass
die eher langfristig feststellbaren Einflüsse exogener Faktoren (in der Studie die Stahl-
produktion) die kurzfristigen Schwankungen auf Tages- und Wochenebene nicht wirk-
sam prognostizieren können (These 5). Zweitens würde eine Prognose auf Basis der
Transportzahl (d.h. unter der Annahme konstanter zeitlicher Wagenbindung durch den
Kunden) den tatsächlichen Wagenbedarf nicht korrekt vorhersagen können (These 5).
130
Eine qualitative Prüfung der o.g. Thesen kann dadurch erfolgen, dass die Transportab-
wicklung der Stahlindustrie auf die in Abschnitt 3.1. genannten 4 Hauptursachen für
den Peitscheneffekt hin untersucht wird233. Der dort am Beispiel der Getreidewagen der
U.S.A. belegte Peitscheneffekt bewirkt, dass die Nachfrageschwankung am Ende von
mehrstufigen Bestellprozessen deutlich stärker ist als die Schwankung auf der ersten
Bestellstufe. Im Fall der Stahlindustrie hätte dies zur Folge, dass der tägliche Bedarf an
Güterwagen deutlich stärker schwankt als die zugrundeliegende Stahlproduktion.
1.) Aktualisierung von Nachfrageprognosen: Der Peitscheneffekt ist um so stärker,
je mehr die Güterwagenbestellungen in Erwartung der zukünftigen Bedarfslage
angepasst werden. Die Aggregate eines Stahlwerks (Walzwerke, Hochofen etc.)
werden über Quartalsaufträge der Stahlkunden (Automobilhersteller, Verarbeiten-
des Gewerbe etc.) ausgelastet, die monatlich geringfügig angepasst werden. Da
die Stahlproduktion jedoch nicht vollständig nach der Produktion abtransportiert
wird, ergeben sich erste Schwankungen im Versand gegenüber der Produktion.
Der Güterwagenbedarf ergibt sich neben dem Transportbedarf auch aus dem Be-
stand an leeren Wagen beim Stahlwerk. Der Bestand an leeren Wagen wird neben
der eher ungenauen Gestellung leerer Wagen auch durch die Entladung von Wa-
gen beeinflusst. Die Prognose des Transportbedarfs, des beladenen Eingangs und
des daraus resultierenden Güterwagenbedarfs ist daher ein ernsthaftes Problem für
die Transportabteilungen der Stahlhersteller. Aus diesem Grund werden die Nach-
frageprognosen im Stahlwerk jeden Tag angepasst, z.T. auch mehrfach täglich.
2.) Auftragsbündelung durch vorgeleitete Einheiten: Der Peitscheneffekt ist um so
stärker, je mehr Bestellstufen vorliegen. Im Fall der Stahlwerke bestehen mindes-
tens 3 Bestellstufen je Kunde: Das Stahlwerk selber, die Werkseisenbahn und die
Verkehrswirtschafts-Abteilung. Zusammen mit dem regionalen Bahnhof (der Aus-
sagen zum verfügbaren Wagenbestand macht) und dem KundenServiceZentrum
besteht eine 5-stufige Bestellkette.
3.) Preisschwankungen Marktpreise der transportierten Güter: Der Peitschenef-
fekt ist um so stärker, je größer die Preisschwankungen des zu transportierenden
Gutes sind. Bei sich abzeichnenden Preiserhöhungen/-absenkungen im Stahlmarkt
wird die Abnahme durch die Kunden der Stahlwerke vorgezogen/herausgezögert.
Diese Abnahmeschwankungen werden von den Stahlherstellern nicht durch Pro-

233
Lee, H. L. et al. (1997), S. 80

131
 duktionsanpassung, sondern durch Lagerbestandsveränderungen aufgefangen. Der
Transportbedarf schwankt daher stärker als die Stahlproduktion.
4.) Auftragskontingentierung und Engpasspoker: Der Peitscheneffekt ist um so
stärker, je häufiger Engpässe auftreten. Die Wochenend-Ruhe der Rangierbahnhö-
fe (siehe Service Design) bedingt die Abgabe von Bestellungen für das Wochen-
ende am Freitag. Da die meisten Stahlhersteller am Wochenende durchproduzie-
ren, wird am Freitag eine Bestellung für drei Bedarfstage abgegeben: Samstag,
Sonntag und Montag. Diese Bedarfsspitze am Freitag führt bei der Deutschen
Bahn AG (wie bei Spediteuren) z.T. zu Kapazitätsengpässen. Wie in anderen In-
dustrien auch bestehen daher für die Versender Anreize zur Abgabe strategischer
Bestellungen. Da die Disponenten z.T. zwischen mehreren Kundenbestellungen
abwägen müssen, werden überhöhte Bestellungen abgegeben.
Die vier Voraussetzungen für die Entstehung des Peitscheneffekts sind im Fall der
Stahltransporte in starkem Masse gegeben. Ähnlich wie bei den im Abschnitt 3.1. be-
trachteten Getreidewagen ist daher auch bei Shi-Wagen von starken Schwankungen in
der Zahl und der zeitlichen Bindung der Güterwagennachfrage auszugehen (Thesen 1-
4).

Analog zur chronischen Unterversorgung der US-Versender mit Getreidewagen kommt

es in der Tat auch in der Stahlindustrie zu extremen Nachfragespitzen mit Versorgungs-
engpässen. Die Positionspapiere der Wirtschaftsvereinigung Stahl bestätigen die starke
Güterwagenknappheit von Shi-Wagen in Zeiten des Hochbedarfs:
- Im Jahr 2000: „Während der guten Stahlkonjunktur der Jahre 1997 und 1998 konn-
ten die Waggons nicht zuverlässig gemäß den Bestellungen der Kunden bereitge-
stellt werden“234.
- Im Jahr 2001: „Mangelhafte Waggonraumgestellung durch die DB Cargo AG stellt
die deutsche Stahlindustrie in immer stärkerem Maße vor Transportprobleme. Ver-
treter der Werke bezeichnen die Lage bereits als "katastrophal". Dramatische Eng-
pässe sind besonders bei Waggons zum Transport von Coils (...) zu beobachten.
(...)Mit der steigenden Stahlnachfrage in der ersten Jahreshälfte nimmt die Waggon-
raumknappheit immer größere Ausmaße an“.235
Die Bedeutung der flexiblen Nutzung von Wagenkapazitäten zur Pufferung interner
Prozesse der Verlader (These 4) wird ebenfalls im Positionspapier angedeutet:

234
Vgl. Wirtschaftsvereinigung Stahl (2000), S. 2

132
- „(...) Um ihre Erzeugnisse überhaupt versenden zu können, müssen immer mehr
Stahlwerke große Mengen mit dem Lkw transportieren. Dies ist allerdings nicht ohne
Probleme, da die Transportabwicklung in Stahlunternehmen stark auf den Bahntrans-
port ausgerichtet ist und die logistischen Prozesse erheblich gestört werden. (...)“.236

Die o.g. Einzel-Thesen zur Forschungsfrage 1 scheinen innerhalb der Stahlindustrie

plausibel zu sein, ohne die quantitative Untersuchung vorweg zu nehmen.

Forschungsfrage 2
Forschungsfrage 2 bezieht sich auf die Hebelwirkung von Service-Design, Disposition
und Produkt-/Preisdifferenzierung auf die Güterwagenbindung durch den Kunden.

Hebelwirkung des Service-Designs

Die Einzelthese zur Hebelwirkung des Service-Designs bezieht sich auf drei Kernpara-
meter des Eisenbahnbetriebs: Die Konsolidierung der Transporte, die Zugfrequenz und
die Abstellung von Güterwagenkapazitäten: Das Service-Design stellt einen großen
Hebel auf die beeinflussten Güterwagenstati dar. Der Güterwagenbedarf ist um so hö-
her
- je höher der Anteil an Einzelwagenverkehren ist
- je länger die Pause zwischen Bedienfahrten ist.
- je eher die Wagen beim Kunden gelagert werden.

Konsolidierung von Transporten: Der Anteil an Einzelwagenverkehr

Die DB Cargo AG befördert täglich ca. eine halbe Million Tonnen in rund 2.300 Fern-
Güterzügen. Dazu kommen ca. 5.000 Nah-Güterzüge für die regionale/überregionale
Sammlung und Verteilung. Täglich sind mehr als 5.400 Lokomotiven im Güterverkehr
im Einsatz. Wie in Abschnitt 3.2.1. beschrieben, ist es aufgrund der hohen Fixkosten-
struktur entscheidend, die Güterzüge möglichst hoch auszulasten. Diese Konsolidierung
einzelner Wagen spart Kosten, bedeutet allerdings auch einen zeitaufwendigen Ran-
gierprozess und verlängert dadurch die Transportdauer. Abbildung 18 zeigt die Struktur
des Einzelwagennetzes der DB Cargo AG sowie die einzelnen Prozessschritte von der
Wagenbestellung bis zur Abholung/Wiederbeladung.

235
Vgl. Wirtschaftsvereinigung Stahl (2000), S. 1
236
Vgl. Ebda.

133
 Struktur des Einzelwagennetzes Prozesschritte (Beispiel)
Bestellung Wagen im
Versender KundenServiceZentrum
Güterverkehrstellen
Bedienfahrt Gestellung des Leerwagens (Bedienfahrt)
(Gvst)

Regionale Satellit Beladung

Sammlung
Knoten
Überregionale
Abholung des Wagens im Gleisanschluss
Sammlung
Rangierbahnhof
Zugbildung im Versandknoten
Ferngüter-
zug
Zugbildung Rangierbahnhof
Überregionale Rangierbahnhof
Verteilung Zugbildung Rangierbahnhof
Knoten
Regionale
Verteilung Satellit Bedienfahrt zum Empfänger
Bedienfahrt
Gvst
Empfänger Abholung entladener Wagen /
Wiederbeladung

Abbildung 18: Struktur und Prozess des Einzelwagensystems der DB Cargo AG237

Die grau unterlegten Prozesschritte erfolgen auch im Fall des Ganzzugtransportes, wo-
bei die beiden Bedienfahrten zusammenfallen. Die weiß unterlegten Prozesschritte sind
sehr zeitaufwendig und fallen nur für Einzelwagenverkehre an. Innerhalb aller Trans-
porte einer Güterwagenflotte gibt der Anteil der Einzelwagenverkehre den Umfang an,
in dem eine Konsolidierung von Transporten stattfindet. Im Fall der Shi-Flotte sind es
ca. 75 % aller Last-Transporte und 95 % der Leertransporte, welche im Einzelwagen-
verkehr durchgeführt werden. Ein Direkttransport (Ganzzugverkehr) vom Versandkun-
den zum Empfangskunden wird nicht im Rangierbahnhof aufgeteilt nach den verschie-
denen Zielregionen. Die Transportdauer ist daher i.d.R. deutlich kürzer. Die Güterwa-
genbindung im Last- und Leerlauf sollte für Shi-Wagen im Fall von Einzelwagenver-
kehren daher höher sein als bei Ganzzugtransporten.

Zugfrequenz: Pause zwischen Bedienfahrten

Die kostensparende Konsolidierung von Transporten erfolgt nicht nur räumlich, sondern
auch zeitlich (vgl. Abschnitt 3.2.1.). Sind Züge über längere Zeiträume oder regelmäßig
wiederkehrend schlecht ausgelastet, so werden sie gestrichen. Bei der Deutschen Bahn
AG hat dies zur Folge, dass die Rangierbahnhöfe über das Wochenende geschlossen

134
sind. Die letzten Bedienfahrten zu/von den Stahlwerken erfolgen am Samstag, die erste
Bedienfahrt der Woche erfolgt am Montag früh. Unter der Woche bestehen je Stahlwerk
alleine 2-3 Bedienfahrten für Leerwagen, zzgl. der beladenen Zügen (Ganzzüge und
Einzelwagen). Die Wochenendpause bedeutet daher eine drastische Verringerung der
Zahl der Fahrten und eine Verlängerung der Pause zwischen Bedienfahrten. Die Güter-
wagenbindung beim Kunden sollte im Fall der Shi-Wagen daher negativ korreliert sein
mit der Zahl der Last-/Leerläufe pro Tag.

Lagerung von Wagen beim Kunden

Ähnlich dem o.g. Trade-off zwischen Transportdauer und –kosten besteht auch ein Tra-
de-off zwischen der beim Kunden vorrätigen Wagenzahl und der Zahl an Leerwagen-
bewegungen und den vorzuhaltenden Abstellgleisen (vgl. Abschnitt 3.2.1.). Eine
„punktgenaue“ Versorgung der Stahlwerke mit Güterwagen bedeutet ein aufwendiges
Ausrangieren von Güterwagen bzw. Abstellen auf Reservegleisen. Durch die Schlie-
ßung von Rangierbahnhöfen sind kundennahe Sammel- und Vorstellkapazitäten für
Güterwagen knapp geworden, obwohl der die zeit- und bedarfsgerechte Bereitstellung
kurze Anfahrtswege erfordert. Daher werden besonders zur Bedarfsdeckung an den
Wochenenden über den vom Kunden gemeldeten Bedarf hinaus (oder früher als benö-
tigt) Güterwagen zugefahren und im Kundenanschluss abgestellt. Es ist Betriebspraxis,
zumindest bei den größten 8 Standorten die leeren Wagen beim Kunden zu belassen in
Antizipation der zukünftigen Wagenbestellungen. Die dadurch unterbleibende Nivellie-
rung der Bestellschwankungen der Stahlwerke sollte im Fall der Shi daher zu Lagerbe-
ständen leerer Güterwagen führen, die einen signifikanten Anteil an der Güterwagen-
bindung beim Kunden ausmachen.

Im Fall der Shi-Flotte liegen die drei Kernparameter des Service-Designs vor, die zu
hoher Güterwagenbindung führen: hohe Konsolidierung der Transporte, Schwankungen
in der Zugfrequenz und Lagerung von Wagen beim Kunden. Es sollte daher möglich
sein, den in These 1 formulierten Einfluss des Service-Designs auf die Güterwagenbin-
dung quantitativ nachzuweisen.

237
Quelle: Eigene Darstellung

135
Hebelwirkung des Dispositionsprozesses (Leerlaufminimierung)
Die Unterthesen zur Disposition beziehen sich auf den Einfluss der Transportentfernung
auf die Güterwagenbindung im Leerlauf. Die in der Dispositionsliteratur dominierenden
Modellansätze minimieren die Leerlauf-km zur Optimierung des Güterwageneinsatzes
(vgl. Abschnitt 3.3.1.). Die erste Einzelthese zur Disposition ist, dass dieser Ansatz
(Leerlaufminimierung) eine geringe Hebelwirkung auf die Güterwagenbindung hat:
Die Disposition zur Leerlaufminimierung alleine stellt einen geringen Hebel auf die
beeinflussten Güterwagenstati dar.

Es gibt zwei Hauptgründe, warum die Transportentfernung im Fall der Shi-Flotte nur
einen geringen Effekt auf die Transportdauer eines Leerwagentransportes hat:
- Auf ein und derselben Relation können zu verschiedenen Zeitpunkten Leerwa-
gen im Einzelwagen- versus Ganzzugsystem gefahren werden. Im Fall des Ein-
zelwagentransportes (s.o.) verlängert sich die Transportdauer trotz gleicher Ent-
fernung.
- innerhalb des Einzelwagennetzes und der auf der gleichen Relation schwankt
die Transportdauer einzelner Güterwagen erheblich um den Mittelwert. Dies
liegt an der hohen Stochastizität der Güterwagenübergänge von einem Zug auf
den anderen im Rangierbahnhof. Insbesondere wenn ein Transport vor Beginn
der Wochenendruhe der Rangierbahnhöfe beginnt und danach erst endet, so fin-
det eine erhebliche Verzögerung statt.
Da die Shi-Leerwagentransporte zu 95 % im Einzelwagensystem erfolgen, ist es un-
wahrscheinlich, dass unabhängig von Beförderungsart und Relation die Entfernung ei-
nen großen Einfluss auf die Transportdauer hat.

Die zweite Einzelthese zur Disposition ist, dass ein Lagerhaltungsmodell die realisti-
schere Abbildung des Dispositionsprozesses darstellt:
Der Dispositionsprozess wird aufgrund des täglichen Soll-/Ist-Abgleichs im Bestand
leerer Wagen beim Kunden eher durch Lagerhaltungsmodelle wiedergegeben als durch
Modelle zur Leerlaufminimierung.
Diese These (vgl. Abschnitt 3.3.1.) beruht auf der Annahme, dass a) ein Großteil der
Wagenverfügung aus „Lagerbeständen“ beim Kunden erfolgt und b) die Rechneropti-
mierung nach Leerlauf-km nur für einen Teil aller Leerwagenverfügungen greift (soge-
nannte Non-User-Compliance).

136
a) Der größte Anteil der täglich „gestellten“ Wagen steht schon beim Kunden:
Abbildung 19 stellt den heute bestehenden Prozess der Güterwagendisposition dar.
Die eigentliche Optimierungsrechnung steht am Ende eines vielstufigen Prozesses zur
Ermittlung von Wagenbeständen und –bedarfen.
Um 13.00 Uhr
Abgabe/Zusage
von GA zu GA KundenServiceZentrum
Verkehrswirtschaft
Service- Disposition:
Teams (je Opt. rechnung
Bhf)
Bis 11 Uhr:
Bestellungen
der Kunden

Meldung Meldung Bestand 10.20/11.00 Uhr 13 Uhr und ff

zugesagte und Bedarf an Meldung des Herausgabe von
Bestellungen leeren Güterwagen verfügbaren Wagenverfügungen
Leerwagenbestands zur Ausführung
durch die Bahnhöfe

Stahlwerk Werksbahn Bahnhof

Wagenzuführung - Dateneingabe in PVG

Leerwagengestellung - Wagenbewegung
Bedarfsmeldung

Abbildung 19: Dispositionsprozess der DB Cargo AG238

Auffallend sind auch die mehrstufigen Meldeprozesse auch innerhalb des KSZ bzw.
beim Kunden (siehe den o.g. Peitscheneffekt). Die im Rahmen der These zu untersu-
chende Frage ist, wie viele der verfügbaren Wagenbestände außerhalb des Kundenan-
schlusses stehen. Steht im täglichen Dispositionsprozess die große Mehrheit der verfüg-
baren Wagenkapazitäten an einem anderen Standort als dem der nächsten Einsatzmög-
lichkeit, so muss der Fokus auf der Entfernungsüberwindung (Zeit-Raum-Modell lie-
gen). Sollte der überwiegende Anteil sich bereits beim Bedarfskunden befinden, handelt
es sich um einen Lagerhaltungsprozess: Liegt der Wagenbestand unter dem Soll-
Niveau, wird eine (fixe oder variable) Bestellmenge an Wagen bestellt. Im oben darge-
stellten Prozess deutet die starke Betonung der Bestandsmeldung gegenüber z.B. der
fahrplantechnischen Umsetzung der Wagenverfügungen an, dass eher ein Lagerhal-
tungsprozess vorliegt (These 2). Ohne quantitative Analyse der Wagenversorgung kann
allerdings keine weitere Aussage gemacht werden.

238
Quelle: Eigene Darstellung

137
b) Es wird nur z.T. rechnergestützt disponiert (Non-User compliance):
Der oben dargestellte Regelprozess erfolgt einmal täglich. Alle bis 11 Uhr erkannten
Bestände und Bedarfe werden abgedeckt. Wenn nach 11 Uhr Bestände und Bedarfe
durch das KSZ bemerkt werden, so können die Verfügungen hierzu oftmals nicht auf
den nächsten Tag verschoben werden: Ausfälle bei einzelnen Kunden oder verstopfte
Bahnhöfe bedingen daher auch Verfügungen nach 11 Uhr, die „Nachdisposition“ ge-
nannt werden. Um die Nachdisposition zu vermeiden könnte man zwar die Instrumente
rund um die Uhr laufen lassen. Die Inputprozesse im Bahnhof bzw. im KSZ können
allerdings ohne massive Mehrkosten nicht beliebig verlängert werden. Darüber hinaus
entsteht der Bedarfs zur Nachdisposition auch dadurch, dass die rechnergestützten Dis-
positionsvorschläge nicht in jedem Fall umgesetzt werden können:
- Die Kunden-Priorisierung stimmt nicht mit dem Dispositionsvorschlag überein
- Verfügte Güterwagen werden nicht fahrplangerecht befördert
- Fehleinschätzungen des Bestands verfügbarer Güterwagen werden nach 11 Uhr ent-
deckt.
- Ungenauigkeit der Umsetzung der Verfügungsanweisungen bedingen eine Korrek-
tur.
Dies führt dazu, dass ein signifikanter Anteil der Güterwagendisposition nicht rechner-
gestützt erfolgt – oder aber größere Ineffizienzen der Güterwagendisposition in Kauf
genommen werden müssen. Diese in der Literatur praktisch vollständig ignorierte Um-
gehung der Rechnervorschläge durch den Disponenten (sogenannte Non-User-
Compliance, vgl. Abschnitt 3.3.1.) scheint im Fall der Shi-Flotte also eine durchaus
relevante Größenordnung zu haben. Je geringer der Anteil an Leerwagenbewegungen
ist, der rechnergestützt optimiert werden kann, so geringer ist auch Realitätsnähe leer-
laufminimierender Zeit-Raum-Modelle (These 3).

Produkt- und Preisdifferenzierung

Die Einzelthese zur Produkt- und Preisdifferenzierung ist, dass die Produkt- und Preis-
differenzierung unter der aktuellen Struktur (Transportpreis und Standgeld) keinen gro-
ßen Hebel auf die Güterwagenbindung beim Kunden hat (These 4):
Die Produkt- und Preisdifferenzierung mit Standgeld alleine stellt einen geringen
Hebel auf die beeinflussten Güterwagenstati dar.

138
Die Dauer, welche ein zu beladender oder entladender Güterwagen maximal beim Kun-
den verbleiben sollte, wird Ladefrist genannt. Sie bemisst sich an den gutartabhängigen
Be- und Entladezeiten sowie der zeitlichen Lage der Bedien- und Bedienfahrten des
Kunden.
Wird die Be-/Entladefrist vom Kunden überschritten, so zahlt er ein Wagenstandgeld,
das sich in der Höhe an vergleichbaren Mietsätzen für die jeweilige Güterwagengattung
orientiert. Das Wagenstandgeld stellt bei der DB Cargo AG den (einzigen) ökonomi-
schen Anreiz zur Beschleunigung des Wagenumlaufs in den Kundenanschlüssen dar.
Da eine individuelle Ladefristüberwachung jedes Wagens mit seiner individuellen Fahr-
zeugnummer („Nummernkontrolle“) ab einer gewissen Größenordnung zu erhöhtem
Rangieraufwand für den Kunden führt, besteht ab einem bestimmten Jahresaufkommen
die Möglichkeit zur Pauschalbetrachtung innerhalb einer Wagengattung („Stückkontrol-
le“). Beim Stückkontrollverfahren erfolgt ein wagengattungs- und zeitpunktbezogener
summarischer Abgleich der zugeführten bzw. zurückgegebenen Wagen.

Die Überwachung der Ladefristen erfolgte bis zur Einführung des KundenServiceZent-
rums (KSZ) dezentral auf kleineren und mittleren Güterabfertigungsstellen. Dies hatte
über die Jahre zu einer Vielzahl verschiedener Kontrollverfahren geführt, die eine über-
greifende Überwachung des Wagenparks in den Gleisanschlüssen völlig unmöglich
machte. Zusätzlich wurden häufig Vereinbarungen getroffen, nach denen dem Kunden
eine definierte Anzahl von leeren Vorratswagen, zumeist auf einem bestimmten Gleis,
zur Verfügung standen, aus denen der Kunde bei Bedarf schöpfen konnte.

Im Jahr 2000 wurde unter Beteiligung des Autors daher ein standardisiertes Stückkon-
trollverfahren entwickelt, anhand dessen tageweise im KundenServiceZentrum für jeden
Standort ermittelt wird:
- Wieviele Wagen befinden sich in der Be-/Entladefrist?
- Wieviele Wagen haben die Be-/Entladefrist bereits überschritten? Bei Ladefristüber-
schreitungen spricht man von Minderrückgaben, bei Unterschreitung der Ladefrist
von Mehrrückgaben.
- Wieviele Wagen stehen über den Bedarf des Kunden hinaus im Anschluß?.

Der Nachteil der Standgeld-Regelung besteht darin, dass lediglich eine Pönale bei Ü-
berschreitung der Ladefrist erhoben wird. Ein positiver Anreiz zur Minimierung der Be-

139
/Entladedauern besteht nicht. Solange der Standgeldsatz unterhalb der entgangenen
Einnahmen pro Wagentag festgesetzt ist, verliert das Unternehmen durch Ladefristüber-
schreitungen insgesamt Umsätze in Zeiten des Hochbedarfs: Der Gesamt-
preis/Wagentag sinkt.
Die im Rahmen dieser Arbeit nicht überprüfbare Annahme ist, dass eine vollständige
preisliche Abbildung von Wagenschwankungen im Preis beim Kunden zu einer Verhal-
tensänderung der Stahlhersteller führen würde. In dieser Arbeit soll daher nur die Wir-
kung des heutigen Standgeldregelung auf den Gesamtpreis/Wagentag ermittelt werden.
Schwankt der Gesamtpreis/Wagentag aufgrund der Mehr-/Minderrückgaben signifikant,
so ist der Einfluss der Standgeldregelung auf die Wagenbindung beim Kunden als ge-
ring zu betrachten (These 4). Die empirische Untersuchung in Abschnitt 6 muss daher
die Auswirkungen der Schwankungen von Minder-/Mehrrückgaben beim Kunden auf
den Gesamtpreis/Wagentag ermitteln.

Die Plausibilisierung der Thesen zu Forschungsfrage 1 und 2 zeigt, dass die Unterthesen
alle anhand der betrachteten Shi-Güterwagenflotte untersucht werden können. Die qua-
litative Untersuchung der Unterthesen zeigt eine gewisse Bestätigung der unterliegen-
den Annahmen, ohne die quantitative Prüfung vorwegzunehmen.

4.3. Fazit

Nach erster Untersuchung des Güterwagenmanagements von Shi-Wagen lassen sich

folgende Aussagen treffen:
- Zum Studienobjekt:
o Der Kontext des Güterwagenmanagements (Kunden- und Verkehrsstruk-
tur, Marktentwicklung und organisatorische Gestaltung) ist wichtig für
die Beurteilung der Güterwagenproduktivität.
o Die Shi-Flotte bzw. die Coil-Transporte der Stahlindustrie stellen ein ge-
eignetes Studienobjekt dar aufgrund der Stabilität und Homogenität der
externen Kontextfaktoren.
o Der interne Kontext des Güterwagenmanagements hat sich im Fall der
Deutschen Bahn AG im Laufe der Jahre massiv verändert. Die eigentli-
che Rechneroptimierung (Disposition) hingegen ist über die letzten 10
Jahre hinweg konstant geblieben.

140
Zur Forschungsfrage 1: Die Voraussetzung für starke qualitative und quantitive
Schwankungen im Wagenbedarf (inkl. Schattenbestellungen) sind gegeben. Die Be-
darfsprognose über Zeitreihenanalyse scheint daher geeigneter als der Einsatz von Kau-
salmodellen. Die Bedeutung der Güterwagenversorgung ist für die Stahlindustrie ähn-
lich kritisch wie für die in Abschnitt 3.3. untersuchten Getreidehändler der USA.
Zur Forschungsfrage 2: Die für Shi-Wagen geltende Konstellation der endogenen He-
belfaktoren konnte festgestellt werden; deren Wirkung scheint sich intuitiv zu bestäti-
gen, muss allerdings noch quantitativ geprüft werden.

141
5. Modellierung

Im Abschnitt 5 wird ein Datenmodell entwickelt, das zusammen mit den empirischen
Daten (Abschnitt 6) die Beantwortung der beiden Forschungsfragen dieser Arbeit er-
möglicht:
1.) Wie viel Wagenkapazitäten benötigt man angesichts gegebener Systemparameter
(exogener Nachfrage- und Kapazitätsschwankungen), um ein bestimmtes Service-
Level zu erreichen?
2.) Welche der beeinflussbaren Rahmenbedingungen haben den größten Hebel auf die-
ses Verhältnis von Wagenkapazitäten zu Service-Leveln?

Das in Abschnitt 5.1. beschriebene Datenmodell baut auf beobachtbaren Ereignissen

des Güterwageneinsatzes auf. Es enthält – im Gegensatz zur Mehrheit der bisher in der
Literatur verwendeten Modelle – kein Zeit-Raum-Netzwerk zur Abbildung der räumli-
chen Veränderung im Wageneinsatz. Vielmehr erfolgt die Modellierung anhand der
zeitlichen Bindung von Güterwagen in einzelnen Phasen des Wagenumlaufs (sogenann-
te Stati). In Abschnitt 5.2. wird dieses Modell zur Ableitung von Kapazitätsbedarf und
Service-Level aus Ereignisdaten der Güterwagen verwendet. Darauf aufbauend wird ein
Prognosemodell für den Kapazitätsbedarf entwickelt. Über die Prognose des Kapazi-
tätsbedarfs (Abschnitt 6) wird Forschungsfrage 1 beantwortet und die dazu entwickelten
Thesen geprüft. In Abschnitt 5.3. wird die Hebelwirkung der beeinflussbaren Faktoren
(Service Design, Güterwagendisposition und Produkt-/Preisdifferenzierung) auf die
einzelnen Stati des Wagenumlaufs modelliert. Dieser Einfluss, verbunden mit der empi-
risch zu erhebenden Größe der einzelnen Stati (Abschnitt 6) beantwortet Forschungs-
frage 2 und ermöglicht die Überprüfung der dazu aufgestellten Thesen.

5.1. Güterwagenbindung als Modellbasis

In Abschnitt 5.1. wird ein Modell des Güterwageneinsatzes entwickelt, das die Basis für
die Beantwortung von Forschungsfrage 1 und 2 bildet.
- Abschnitt 5.1.1.: Es werden die beiden möglichen Ansätze zur Ableitung der
Flottengröße gegenübergestellt und die Kernidee des Stati-Modells beschrieben.

142
- Abschnitt 5.1.2.: Anschließend wird das Stati-Modell dargestellt und mathematisch
formuliert.

5.1.1. Modellansatz
Ansätze zur Ableitung der Flottengröße
Wie in Abschnitt 3.2.2. beschrieben, kann die Flottengröße über zwei Wege ermittelt
werden:
1. Abbildung des zu durchlaufenden Zeit-Raum-Netzes mit Zuordnung einzelner
Fahrzeuge zu Routen.
2. Abbildung der zeitlichen Bindung der Güterwagen in aufeinanderfolgenden
Phasen des Einsatzes (Stati) unabhängig von ihrer räumlichen Dimension.
Fast alle Modelle zur Ableitung der Flottengröße in der Literatur verfolgen den ersten
Ansatz. Sie legen einen (meist fiktiven) Transportplan zugrunde, dem je nach Modell
stochastische oder deterministische Zeitwerte (meist Transportdauern) zugeordnet wer-
den (vgl. Abschnitt 3.2.2.). Dieses Vorgehen unterstellt die Notwendigkeit, eine Flotte
neu aufzubauen. Durch die Konzentration auf die zeitliche und räumliche Verteilung
der Wagenbewegungen werden dabei gerade die Aspekte vernachlässigt, die eine be-
stimmte Flottengröße erforderlich machen: Die Stochastizität der Wagenbindung in den
einzelnen Phasen des Wagenumlaufs. Die Ursache für dieses Vorgehen (Ansatz 1) liegt
u.E. in der mangelnden Datengrundlage der bisherigen Arbeiten239.

In der Realität kommt es praktisch nie vor, dass eine Eisenbahn „neu“ entsteht bzw.
eine größere Flotte (d.h. Wagen, die über eine große Zahl von Verkehren eingesetzt
werden) komplett auf einen Schlag neu eingesetzt wird. Es geht stets um inkrementelle
Erweiterungen bzw. Einschränkungen der Flottengröße anhand unterstellter Produktivi-
täten. Das Kernproblem der Eisenbahnbetriebe ist daher, die anhand gegebener System-
parameter realisierbare Produktivität zu simulieren. D.h. die umfangreiche Datenbasis
der bisher gelaufenen Verkehre kann und muss zugrundegelegt werden – gerade mit den
Stochastizitäten in den einzelnen Phasen des Güterwageneinsatzes. Die einfachste Lö-
sung hierbei ist die Ermittlung der zeitlichen Bindung eines Güterwagens für jede Kun-
denbestellung (Güterwagenumlaufzeit). Diese hängt zwar auch von der räumlichen La-
ge ab, kann jedoch auch ohne die Raumdimension modelliert werden (Ansatz 2).

239
Vgl. Hall, R. W. (1999), S. 449

143
In diesem Abschnitt wird versucht, über den zweiten Ansatz ein Modell der notwendi-
gen Flottengröße zu entwickeln, mit der für eine gegebene Nachfrageentwicklung (und
konstante endogenen Faktoren) langfristig der erwünschte Service-Level erzielt wird.

Modellansatz ohne Zeit-Raum-Netzwerk: Das Konzept der Güterwagenstati

Die zeitliche Bindung eines Güterwagens je Kundenbestellung wird durch die soge-
nannte Güterwagenumlaufzeit wiedergegeben. Sie ist definiert als der Zeitabschnitt
zwischen der Übergabe des leeren Güterwagens an den Kunden (Gestellung) und der
nächsten leeren Gestellung an einen Kunden (bzw. auch Wiederbeladung). In die Um-
laufzeit fallen nach der Leerwagen-Gestellung die Abholung des beladenen Wagens, der
Transport und die erneute Entladung am Zielort. Wie in Abschnitt 2.1. beschrieben,
lässt sich die Umlaufzeit in verschiedene Unterabschnitte einteilen, je nach dem „Sta-
tus“, in dem ein Wagen sich befindet. Abbildung 20 zeigt die einzelnen Güterwagenstati
anhand eines Prozessablaufs zwischen zwei Standorten, der in gleicher Weise auf n
Standorte übertragbar ist.

Auslands- 6
aufenthalt

Leerwagen- 4
Vorrat
Standort A
1 2 Standort B
5 3 Leerlauf
3

5
Lastlauf

Leerwagen- 1 Leer stehend

Vorrat
2 Leerlauf
3 Beladung
4 Lastlauf
5 Entladung
Schadwagen-
Reparatur
6 Ausland
7 7 Schad

Abbildung 20: Prozessdarstellung des Güterwagenumlaufs mit Stati 1-7240

144
Sortiert in der Reihenfolge der Auftragserfüllung durch das Eisenbahnunternehmen sind
die einzelnen Bestandteile (Stati) der Güterwagenumlaufzeit:
1.) Wartezeit eines abgestellten leeren Wagens bis zum nächsten Einsatz (Status „leer
stehend“). Die Einrichtung eines Leerwagenpuffers als Vorrat („leer stehend“) er-
gibt sich durch den Sachverhalt, dass sich nur sehr selten alle leeren Güterwagen
im Transport befinden.
2.) Beförderung des leeren Wagen vom Versandort zum Empfangsort (Status „Leer-
lauf“). Hierbei kann es sich entweder um eine Leerfahrt zur Gestellung eines Wa-
gens handeln (Gestellung), oder aber um eine Vorpositionierung des Wagens zur
optimalen Verfügbarkeit bei späterer Nachfrage (Vorpositionierung). Nach der
Vorpositionierung erfolgt die leere Gestellung beim Kunden.
3.) Beladung beim Kunden im Versandstandort bis zur beladene Rückgabe an die
Eisenbahn (Status „Beladedauer“). Da nur die Versandkunden auf dem deutschen
Schienennetz Bestellungen von leeren Güterwagen bei der DB Cargo AG abge-
ben, erfolgt der Versand stets im „Inland“.
4.) Beladener Transport vom Versand- zum Empfangsstandort bis zur Übergabe an
den Empfangskunden (Status „Lastlauf“).
5.) Entladung und ggfs. Wiederbeladung bis zur erneuten Rückgabe an die Eisenbahn
(Status „Entladedauer“ und ggfs. „Wiederbeladedauer“). Dabei müssen zwei Fälle
unterschieden werden:
- Im Fall der leeren Rückgabe (Entladung): Zurück zu 2.
- Im Fall der beladenen Rückgabe (Wiederbeladung) beim Kunden: Zurück zu 4.

Neben diesen „natürlichen“ Stati gibt es noch zwei Stati, welche sich nicht offensicht-
lich aus dem Kundenauftrag ergeben:
6.) Auslandsausbleibezeit: Der heutige Datenaustausch zwischen den europäischen
Güterbahnen ermöglicht keine wagenspezifische Überwachung aller Wagenbewe-
gungen. Im Güterwagenmanagement wird daher die gesamte Aufenthaltszeit von
Wagen im Ausland als „Auslandsausbleibezeit“ subsummiert. Da in Deutschland
keine Wagenbestellungen von Versandkunden aus dem Ausland angenommen
werden, erfolgt i.d.R. kein Versand leerer Wagen ins Ausland. Der Status „Aus-
landsausbleibezeit“ folgt damit direkt auf den Status 4 („Lastlauf“). Nach der Ent-

240
Quelle: Eigene Darstellung

145
 ladung werden Wagen z.T. im Ausland nach der Entladung wiederbeladen und
stoßen entweder einen Lastlauf oder Leerlauf ab der Grenze an.
7.) Schadstand: Bis auf seltene Ausnahmen werden Schäden erst am entladenen Wa-
gen festgestellt und behoben. Der schadbedingte zeitliche Ausfall ist daher eine
zeitlichen „Unterbrechung“ zwischen zwei Leerläufen, analog zum Vorrat leerer
Wagen („Leer stehend“).

Es bestehen also insgesamt 7 verschiedene Stati des Güterwageneinsatzes, aus denen

sich der Kapazitätsbedarf zusammensetzt. Dabei ist es sinnvoll zu unterscheiden, wie
viele Wagen in einer Zeitperiode einen bestimmten Status erlangen (z.B. leer zur Bela-
dung gestellt werden) und wie lange sie innerhalb des Status verweilen (z.B. wie lange
die Beladung dauert). Wir wollen den Wechsel von einem Status in den anderen als
„Ereignis“ bezeichnen, und das darauf folgende Verweilen in diesem Status als „Bin-
dungsdauer“. Jede Bindungsdauer wird daher durch zwei aufeinanderfolgende Ereignis-
se (die wir Ereignispaar nennen wollen) zeitlich abgegrenzt. Die Summe der Bindungs-
dauern eines betrachteten Zeitraums über alle Stati ist identisch mit der Größe der Gü-
terwagenflotte, multipliziert mit der Länge des Zeitraums – bzw. der verfügbaren Gü-
terwagenkapazität.

Wie in Abschnitt 1.2.1. beschrieben, wird in dieser Arbeit ein inputbezogener Kapazi-
tätsbegriff verwendet. Die Güterwagen-Nutzung über Zeit stellt daher die geeignete
Messgröße für den Kapazitätsbestand von Eisenbahnen dar. Innerhalb eines langen
Zeitabschnitts ergibt die Zahl der einen bestimmten Status initiierenden „Ereignisse“
(z.B. dem Beginn einer Beladungen), bewertet mit daraus resultierenden „Bindungsdau-
ern“ (z.B. der Beladedauern) den Anteil des Status „Beladedauer“ an den Güterwagen-
kapazitäten. Die Summe der über alle Stati gebundenen Güterwagenkapazitäten ist iden-
tisch mit der Gesamt-Kapazität.

Durch die Modellierung des Güterwageneinsatzes über „Ereignisse“ und „Bindungs-

dauern“ werden die Güterwagenkapazitäten in separate Module aufgeteilt, die getrennt
untersucht werden können. Die in Abschnitt 3.2. beschriebenen Rahmenparameter der
Umlaufzeit wirken sich meist nur auf die Ereignisse und Bindungsdauern eines be-
stimmten Status aus. Durch unsere Aufteilung in Stati kann der Einfluss der einzelnen

146
Rahmenbedingungen auf die Umlaufzeit besser isoliert werden als bei Betrachtung über
Raum-/Zeit-Netzwerke. Dies verbessert die Prognosequalität des Kapazitätsbedarfes.

Die Beantwortung der Forschungsfragen erfolgt daher in 4 Teilschritten:

1.) Abgrenzung der Güterwagenstati anhand beobachtbarer Daten und Entwicklung
eines Modells der Güterwagenstati (Abschnitt 5.1.2.)
2.) Ableitung von Wagenbedarf, Kapazität und Service-Level aus dem Stati-Modell.
Entwicklung einer Nachfrageprognose anhand von Zeitreihenmodellen. (Abschnitt
5.2.).
3.) Simulation der Hebelwirkung der endogenen Faktoren auf den Güterwagenumlauf
anhand des Status-Modells (Abschnitt 5.3.).
4.) Operationalisierung und Prüfung der Thesen zu den Forschungsfragen anhand der
empirischen Daten (Abschnitt 6). Ableitung des Kapazitätsbedarfs (Forschungsfrage
1) und Bestimmung der Hebelfaktoren (Forschungsfrage 2).

5.1.2. Modell der Güterwagenstati

Abgrenzung der Güterwagenstat anhand beobachtbarer Daten

Zur empirischen Untersuchung der Güterwagenstati ist eine eindeutige Trennung der
Stati anhand beobachtbarer Ereignisse notwendig. Eine Unterteilung der Standzeiten
einzelner Fahrzeuge beim Kunden in Be-/Entladedauer ist z.B. ohne Sensoren an den
Güterwagen oder entsprechend detaillierte Auswertung der Standgeldabrechnung der
Kunden (vgl. Abschnitt 4.3.) nicht möglich. Genauso ist es derzeit nicht möglich, ana-
log zur Aufenthaltszeit der Wagen auf dem Netz der Deutschen Bahn AG die Ausland-
sausbleibezeit nach Last-/Leerlauf, Aufenthalt beim Kunden etc. aufzuteilen. Im Rah-
men der empirischen Untersuchung muss daher auf diese Aufteilung verzichtet bzw. sie
muss durch Annahmen ersetzt werden.

Zur Trennung der Stati wird in dieser Arbeit ein Datenmodell eingesetzt, das Ereignisse
zu Stati zusammenfügt. Dieses Datenmodell baut auf vier beobachtbaren Basisereignis-
sen auf, die zusammen mit dem Zustand des Güterwagens (leer, beladen oder beschä-
digt) eine Aufteilung der Umlaufzeit in einzelne Stati ermöglichen:
- Beginn eines Transportauftrags („Aktivierungsmeldung“ A) an Ort X
- Erledigung eines Transportauftrags („Erledigtmeldung“ E) an Ort X

147
- „Auslandsausgang“ („Erledigtmeldung“ AA) an Grenzübergang X
- Auslandseingang („Aktivierungsmeldung“ AE) an Grenzübergang X.
Jede Güterwagenbewegung lässt sich durch eine Kombination von zwei der vier Mel-
dungen dokumentieren, die letztlich auf der Meldung für „Aktivierung“ und „Erledi-
gung“ des Transportauftrags beruhen. Diese Ereignisse markieren lediglich Zeitpunkte,
die zur Unterteilung des Wagenumlaufs verwendet werden. Als „künstliches Ereignis“
wird die Information über Beschädigung eines Wagens (Beginn „Schadwagenstatus“)
und seine erneute Verwendbarkeit („Ende Schadwagenstatus“) eingefügt. Abbildung 21
zeigt die einzelnen Ereignisse anhand des Umlaufschemas der Güterwagen aus dem
vorhergehenden Abschnitt.

Auslands-
AE aufenthalt
AA

Leerwagen-
E Vorrat A
Standort A Standort B

A Leerlauf E A
E

Lastlauf
E A E A

Leerwagen-
A Vorrat E

ES Schadwagen- BS
Reparatur

Abbildung 21: Beobachtbare Ereignisse im Güterwagenumlauf, die zur Berechnung der

Stati verwendet werden241

Mit dieser Trennung der Stati anhand der Ereignisse sind drei Vorteile verbunden:
1. Es können die Daten des Produktionssystems der DB Cargo AG verwendet wer-
den, die auftragsbezogen sind (Beginn/Ende des Transportauftrags).
2. Es ist eine geschlossene Überwachung der Güterwagen möglich; alle Aspekte
des Güterwagenmanagements lassen sich in den gleichen Einheiten (resultieren-
de Wagenbindung in Stunden oder Tagen) messen.

148
3. Es wird vermieden, Standzeiten/Laufzeiten innerhalb eines Status fälschlicher-
weise in verschiedene Stati aufzuteilen. So enthält ein „Leerlauf“ immer auch
eine Serie von Standzeiten, die keinesfalls dem Status „leer stehend“ zugeordnet
werden sollten, da die Standzeiten für die Transportdurchführung unerlässlich
sind. Dies wäre die Gefahr bei einer ausschließlichen Nutzung der technischen
Bewegungsdaten eines Güterwagens über aktive oder passive Sensoren.

Die Aufteilung der Umlaufzeit in die Stati erfolgt durch Abgleich der chronologisch
geordneten Ereignisse jedes individuellen Fahrzeugs. Die chronologischen Ereignisfol-
gen je Fahrzeug werden in sinnvolle Ereignis-Paare gegliedert242. Jedes dieser Ereignis-
paare markiert für ein individuelles Fahrzeug den Beginn und das Ende eines Status. Es
wird – für jeden Status – die zeitliche Differenz zwischen dem „Start“-Ereignis und
„End“-Ereignis des Status gebildet. Dadurch entstehen 12 verschiedene Ereignispaare,
die über alle Wagen addiert die Gesamtkapazität im Betrachtungszeitraum wiedergeben.
Tabelle 13 zeigt diese Rechnung je Status.

Nr Status Dauert vom Startereignis... ...bis zum Endereignis

1 Leer stehend Leere Erledigmeldung an Ort i (EL) (Nächste) leere Aktivierungsmeldung an
Ort i (AL)
2 Leerlauf. Leere Aktivierungsmeldung an Ort i (AL) bzw. Leere Erledigtmeldung an Ort j (EL) bzw.
leerer Auslandseingang (AEL) bzw. Leere Aktivierungsmeldung an Ort i (AL)
Beginn des Schadwagenstatus (BS) bzw. bzw. Beendigung des Schadwagenstatus
Leere Erledigtmeldung an Ort i (EL) (ES)

3 Beladung Leere Erledigtmeldung an Ort i (EL) (Nächste) beladene Aktivierungsmeldung

an Ort i (AB)
4 Lastlauf Beladene Aktivierungsmeldung an Ort i (AB) bzw. Beladene Erledigtmeldung an Ort j (EB)
beladener Auslandseingang (AEB) beladener Auslandsausgang (AAB)
5 Entla- Beladene Erledigtmeldung an Ort i (EB) (Nächste) leere oder beladene Aktivie-
dung/Wieder rungsmeldung an Ort i (AB bzw. AL)
beladung
6 Ausland Auslandsausgang an Ort i (Grenzausgang) i (AA) (Nächster) Auslandseingang (leer oder
beladen) an Ort i oder j (AEB bzw. AEL)
7 Schad Schadmeldung an Ort (BS) (Nächste) Beendigung des Schadwagen-
status an Ort (Werk) (ES)

Tabelle 13: Zuordnung von Güterwagen zu Stati anhand registrierter Wagenmeldun-

gen243

241
Quelle: Eigene Darstellung
242
Die untersuchten Daten wurden durch eine Prüfschleife gefiltert, um unplausible Ereignisfolgen zu
vermeiden. Dies führt zur Beseitigung von ca. 1-2 % der Ereignisse, deren Gegenpart fehlerhaft oder gar
nicht in das Produktionssystem eingegeben wurde.
243
Quelle: Eigene Darstellung

149
Im allgemeinen sind Güterwagenstati einfach anhand beobachtbarer Ereignisse abzu-
grenzen: Last-/Leerlauf sowie Be-/Entladedauer sind anhand der Abfahrt/Ankunft bzw.
Übergabe/Rückgabe beim Kunden feststellbar. Der Auslandsaufenthalt wird abgegrenzt
durch Auslandsausgang bzw. Auslandseingang des Wagens. Schadstand wird durch von
Feststellung der Beschädigung bis Freigabe zur Wiederverwendung festgelegt. Zwei der
Güterwagenstati (s.o.) stellen jedoch Summen mehrerer Stati dar, da die zur Trennung
notwendigen Beobachtungen derzeit empirisch nicht geleistet werden können:
- Bei Wiederbeladung können Entladung und (erneute) Beladung letztlich nicht
wirksam getrennt werden. Es empfiehlt sich daher, von der gleichen zeitlichen
Bindung wie bei der direkten Beladung auszugehen.
- Im Fall des Auslandsversands beladener Wagen ist es derzeit nicht möglich, die
Auslandsausbleibezeit in Last-/Leerlauf bzw. Entlade-/Wiederbeladungszeit
aufzuteilen. Auch in diesem Fall empfiehlt es sich daher, von der gleichen zeit-
lichen Aufteilung in die einzelnen Stati auszugehen, die auch im „Inland“ fest-
zustellen ist.

Entwicklung eines mathematischen Modells der Güterwagenstati

Die Modellierung der Güterwagenbewegungen über Ereignisse und Bindungsdauern hat
mehrere positive Konsequenzen für die mathematische Formulierung des Modells:
1. Da die Stati sich zu einem lückenlosen „Güterwagenleben“ aufaddieren, kann in
der weiteren Modellierung auf die Berücksichtigung einzelner Fahrzeuge ver-
zichtet werden.
2. Da die Nebenbedingung erfüllt ist, dass nicht mehr Wagen einen Ort verlassen,
als dort eingetroffen sind (inkl. Anfangsbestand), kann auf die Modellierung des
komplexen Raum-Zeit-Netzes aller Standorte verzichtet werden.
o Mathematisch gesehen handelt es sich um ein dynamisches, stochasti-
sches Modell eines One-to-One Netzwerks. Dies führt zu einer starken
Verbesserung der Prognostizierbarkeit der Ereignisse und Bindungen, da
Schwankungen der Bindungsdauer sich über eine sehr große Zahl von
Ereignissen ausgleichen244.

244
Vgl. hierzu die empirischen Ergebnisse von Hall, R. W. (1999), S. 454f.

150
 o Zur Prognose der Ereigniszahl und Bindungsdauern müssen keine Me-
thoden der stochastischen Programmierung eingesetzt werden. Es kön-
nen vielmehr auch Methoden der Zeitreihenanalyse verwendet werden.
Aufteilung in „Tagesscheiben“
Oben wurde beschrieben, wie der Kapazitätsbedarf für einen (langen) Zeitabschnitt aus
der Summe der Ereignisse, multipliziert mit den Bindungsdauern, abgeleitet werden
kann. Die Wagenbindung eines bestimmten Status wird allerdings nicht nur durch die
im betrachteten Zeitabschnitt begonnen Bindungen bestimmt. Bei kurzen Zeitabschnit-
ten ist es vielmehr so, dass die Bindungsdauer einzelner Ereignispaare nicht vollständig
in den betrachteten Zeitausschnitt fällt. Abbildung 22 zeigt diese Aufteilung von Bin-
dungsdauern auf verschiedene Tagesperioden am Beispiel von 3 leer gestellten Wagen,
die unterschiedlich lange beladen werden.

Tag t Tag t+1 Tag t+2

Ereignispaar e Ereignispaar e+1
(Beladung) (Lastlauf)

α γ a

α
α ß ß

t für jedes
Fahrzeug
3 Ereignisse: 3 Ereignisse:
Leerer Eingang Beladener Ausgang
(3 Wagen) je Wagen

Abbildung 22: Aufteilung der Bindungsdauern in Tagesperioden am Beispiel von

Beladungen245

Die 3 an Tag t leer gestellten Wagen werden jeweils 1, 2 und 3 Tage lang beladen (Län-
ge des Ereignispaar e). Fällt die Bindungsdauer von Ereignispaar e vollständig in die
betrachtete Tagesperiode, so wird die Länge durch a wiedergegeben. Es können
daneben folgende Fälle unterschieden werden, in denen sich die Bindungsdauer über
mehrere Perioden erstreckt:

245
Quelle: Eigene Darstellung

151
 1. Bindungsdauern, welche in der betrachteten Zeitperiode begonnen haben, aber
zu einem späteren Zeitpunkt enden. Der Abschnitt der Bindungsdauer, welcher
in die „Startperiode“ fällt, wird wie oben mit a wiedergegeben.
2. Bindungsdauern, die vor der betrachteten Zeitperiode begonnen haben, und nach
dieser Zeitperiode enden. In diesem Fall sind die außerhalb der Periode liegen-
den Anteile der Bindungsdauer der betrachteten Periode zuzurechnen. Die au-
ßerhalb der betrachteten Zeitperiode fallenden Anteile der Bindungsdauer wer-
den in a (Startperiode) und b (Endperiode) aufgeteilt. Der in die betrachtete
Zeitperiode fallende Zeitabschnitt beträgt g und umfasst die ganze Zeitperiode.
3. Bindungsdauern, welche vor der betrachteten Zeitperiode begonnen haben, aber
in ihr enden. Der in die Endperiode gehörende Zeitanteil wird durch b wieder-
gegeben.

Für große Zeitperioden ist die Notwendigkeit zur Differenzierung zwischen a, b und g
gering, da die anderen Perioden zuzurechnenden Zeitanteile relativ zur Gesamtsumme
gering sind. Ebenso kann bei gleichbleibendem Verhältnis der Stati auf die Korrektur
der Zuordnung von Ereignissen zu Perioden verzichtet werden, da der Korrekturbedarf
über Zeit konstant bleibt. Da im Rahmen dieser Arbeit aber insbesondere die Schwan-
kungen im Kapazitätsbedarf abgebildet werden sollen, sind die zu betrachtenden Zeitpe-
rioden klein, am besten Tageswerte (vgl. Abschnitt 3.1.2.). Ebenso ist von starken
Schwankungen der Stati-Anteile am Wagenpark im Wochenverlauf auszugehen (vgl.
Abschnitte 3.2.1. und 4.). Daher ist die Korrektur wichtig.

Jedes Ereignis bzw. Ereignispaar im Güterwageneinsatz besitzt eine Reihe von Eigen-
schaften, welche eine Abgrenzung von allen übrigen Ereignissen/Ereignispaaren ermög-
licht:

t = 1, 2, 3, ..., T Zeitperioden (Tage), in welche ein Ereignis fällt

f = 1, 2,3, ... F Nr. des individuellen Fahrzeugs, welches ein Ereignis aus-
löst

für jedes f besteht ein

e = 1, 2, 3, ... E Zähler der Ereignispaare eines Fahrzeugs f

152
g = 1,2, ..., G Ort (Güterverkehrsstellen), an denen das Ereignis ge-
schieht
s = 1, 2, 3, 4, 5, 6, 7 Status eines Fahrzeugs zwischen zwei Ereignissen

Um eine nicht zielführende Komplexität in der Modellformulierung zu vermeiden,

werden nur die Eigenschaften der Ereignisse aufgeführt, die relevant für den jeweiligen
Rechenschritt und nicht durch Nebenbedingungen bestimmbar sind.

In Anlehnung an Abbildung 22 sei:

a tfes Zeitliche Bindung von Wagen f durch das Ereignispaar e (Status s)

in der Periode t. Das Startereignis fällt in die Periode t.

b tfes Zeitliche Bindung von Wagen f durch das Ereignispaar e (Status s)

in der Periode t. Das Startereignis fällt in eine Vorperiode t-n.

g tfes Zeitliche Bindung von Wagen f durch das Ereignispaar e (Status s)

in der Periode t. Das Startereignis fällt in eine Vorperiode t-n;

das Endereignis fällt in eine spätere Periode t+n.

Da der Güterwageneinsatz nicht nur durch die Länge der Ereignispaare, sondern auch
durch die Anzahl der Ereignisse/Ereignispaare bestimmt wird, sei:

â ts Zahl der Startereignisse (über alle Shi-Wagen) im Status s in der Periode

t

b̂ts Zahl der Endereignisse (über alle Shi-Wagen) im Status s in der Periode
t.

gˆts Zahl der „offenen Ereignisspaare“ (über alle Shi-Wagen) im Status s in

der Periode t.

Es bestehen die folgenden Nebenbedingungen:

Für jedes Ereignispaar e existiert ein Start- und Endereignis, so dass
1.) End- und Startereignis zweier aufeinanderfolgender Ereignisse e und e+1 am sel-
ben Ort ( Ge = Ge +1 ) und mit dem gleichen Fahrzeug ( Fe = Fe+1 ) stattfinden.

153
2.) Für jedes Ereignispaar e existiert ein Startereignis und ein Endereignis, die zu zeit-

lich versetzten Zeitpunkten stattfinden ( ABe +1 > ELe ). Die Bindungsdauer ist
größer null.
3.) Das Endereignis für Ereignispaar e ist zuglich Startereignis für Ereignispaare e+1,
d.h. es findet keine Unterbrechung in der Beobachtung statt246. Der gesamte Wa-
genpark, multipliziert mit der zeitlichen Länge des Betrachtungszeitraums, ent-
spricht daher der Summe der Bindungsdauer aller Wagen.

Die Bindungsdauer des Ereignispaares e von Fahrzeug f wird zunächst anhand des obi-
gen Beispiels der Beladungen beschrieben, welche in Periode t beginnen:

T
æ ö T -1 T

å ççè AB
t
e +1
t+n
- ELe ÷÷
t ø
= a tBeladung + å g tBeladung + å b tBeladung
t t +1
+x

Die Beladung des Fahrzeugs dauert von der leeren Gestellung des Wagens beim Kun-
den
(Ereignis 1 „Erledigung/leer“) bis zur beladenen Weiterfahrt von diesem Kunden (Er-
eignis
2 „Aktivierung/beladen“). Diese Ereignisse können grundsätzlich in alle Perioden des
Zeitraums t-T fallen, solange das Ereignis 1 vor dem Ereignis 2 liegt. Die Zeitdauer der
Beladung soll allerdings aufgeteilt werden in Zeitperioden. Der Anteil der Beladedauer,
welcher in die betrachtete Periode t fällt wird durch drei verschiedene Größen wieder-
gegeben:
g für die Wagen, welche über die ganze Periode t beladen werden
a für die Wagen, welche erst im Lauf der Periode leer gestellt wurden
b für Wagen, deren Beladung bereits in einer Vorperiode begonnen hat und in
Periode t endet.
Je nach der zeitlichen Verteilung der beiden Ereignisse beträgt der Wert von a, b und g
null oder ein Wert größer null.

246
Diese Nebenbedingung ist durch die z.T. mangelnde Datenqualität bei der empirischen Untersuchung
nicht immer gegeben. Wie oben beschrieben, werden in einer Prüfschleife 1-2 % der Ereignisse mangels
entsprechendem Ereignis entfernt. D.h. zwischen den letztlich zugrundegelegten Ereignispaaren klaffen
vereinzelte zeitliche Lücken. Die Datenbasis entspricht aber sonst den Nebenbedingungen. Die Über-
schneidungsfreie Aufteilung der gemessenen Güterwagenbindung ist dadurch trotzdem gewährleistet.

154
Anhand der in Tabelle 13 dargestellten Ereignispaare lassen sich die Wagenbindungen
je Status mathematisch formulieren. Für alle Ereignispaare und Stati formuliert, ergibt
sich die Flottengröße X wie folgt:

F E T
æ ö T

å å åççè AL
f e t
e+1
t +x
- ELe ÷÷ =
t ø
å( a
t
t
Leerstehend
+g tLeerstehend + btBLeerstehend )

1)
F E T
æ ö T

å å åççè AB
f e t
e+1
t +x
- ELe ÷÷
tø
= å( a
t
t
Beladung
+g tBeladung+ btBeladung )

2)
F E T ææ ö æ ö æ ö æ öö÷ T

å å åçççç EL ÷ + çç ELe+1 - AELe ÷÷ + çç ALe+1 - BSe ÷÷ + çç ESe - ELe+1 ÷÷÷ =

e+1 - ALe ÷
t ø è t ø è t ø è t +x ø
å( a t
Leerlauf
+g tLeerlauf + btLeerlauf )
f e t èè t +x t +x t +x t
ø t

3)
F E T ææ ö æ ö æ öö T

å å å çç ççè EB e +1 - ABe ÷÷ + çç EBe+1 - AEBe ÷÷ + çç AABe - ABe+1 ÷÷ ÷

t ø è t +n t ø è t +n ø
÷
= å( a t
Lastlauf
+ g tLastlauf + b tLastlauf )
f e t è t +n t
ø t

4)
F E T ææ ö æ öö T

å å å çç ççè AB e +1 - EBe ÷÷ + çç ALe +1 - EBe ÷÷ ÷ =

t ø t ø
÷ å( a t
Entl . / Wiederbel.
+ g tEntl. / Wiederbel. + b tEntl . / Wiederbel. )
f e t è t+n è t+n ø t

5)
F E T ææ ö æ öö T

å å å çç ççè AEB e+1 - AAe ÷÷ + çç AELe+1 - AAe ÷÷ ÷ =

t ø t ø
÷ å( a t
Ausland
+ g tAusland + b tAusland )
f e t è t +n è t +n
ø t

F E T
æ ö T
6) å å å ççè ES
f e t
e +1
t+n
- BSe ÷÷
t ø
= å( a
t
t
Schad
+ g tSchad + b tSchad )

7)
F 7 T

å å å( a
f s =1 t
t + g t + bt ) = F * (T - t )

8)

Gleichung 1: Die Summe der Wagenbindung im Status „Leer stehend“ im betrachteten

Zeitraum t-T ergibt sich als Summe der zeitlichen Differenzen (je Wagen) zwischen
dem Ende des letzten Leerwagenauftrags (EL für „Erledigung/leer“) und dem nächsten
Leerwagenauftrag (AL für „Aktivierung/leer“) der einzelnen Fahrzeuge. Die Summe
dieser Differenzen lässt sich für die einzelnen Perioden t herunterbrechen in Standzeiten
von Wagen, die über die ganze Periode t abgestellt sind (g), oder erst im Lauf der Perio-
de leer abgestellt wurden (a) bzw. in einer Vorperiode abgestellt und in der Periode neu
aktiviert wurden (b). Die Summe der Bindungsdauern im Status „leer stehend“ in den
Einzelperioden ist identisch mit der Wagenbindung des Status über den Gesamtzeit-
raum.
155
Gleichung 2: Die Summe der Wagenbindung im Status „Beladung“ im Zeitraum t-T
ergibt sich aus der Summe der zeitlichen Differenzen (je Wagen) zwischen den Ereig-
nissen „Aktivierung/beladen“ und den Ereignissen „Erledigung/leer“. Der Wagen wird
leer zum Kunden gestellt und dort beladen. Auch hier lässt sich die Summe der Diffe-
renzen in Einzelperioden aufteilen durch Differenzierung danach, ob die beiden Ereig-
nisse in die betrachtete Periode bzw. in Vor-/Nachperioden fallen.

Gleichung 3: Die Summe der Wagenbindungen im Status „Leerlauf“ im Zeitraum t-T

ergibt sich aus der Summe von vier verschiedenen Zeitdifferenzen. Neben dem „klassi-
schen“ Leerlauf besteht auch der Eingang leerer Wagen aus dem Ausland bzw. der
Leertransport zu/von einer Reparatur. Der Versand leerer Wagen ins Ausland geschieht
praktisch nicht bzw. wird hier nicht betrachtet. Die Wagenbindung im Status „Leerlauf“
eines Zeitraums t-T ergibt sich daher als die Summe der Differenzen zwischen den Er-
eignissen
- „Erledigung/leer“ und „Aktivierung/leer“
- „Erledigung leer“ und „Auslandseingang/leer“
- „Erledigung/leer“ und „Erledigung/schad“
- „Erledigung/schad“ und „Erledigung/leer“.

Gleichung 4: Die Summe der Wagenbindungen im Status „Lastlauf“ im Zeitraum t-T

ergibt sich aus der Summe von drei verschiedenen Zeitdifferenzen. Neben dem Lastlauf
im Inland besteht auch der beladene Eingang aus dem Ausland bzw. der beladene Aus-
gang aus dem Inland. Die Wagenbindung im Status „Lastlauf“ eines Zeitraums t-T er-
gibt sich daher als die Summe der Differenzen zwischen den Ereignissen:
- „Erledigung/beladen“ und „Aktivierung/beladen“
- „Erledigung/beladen“ und „Auslandseingang/beladen“
- „Aktivierung/beladen“ und „Auslandsausgang/beladen“.

Gleichung 5: Die Summe der Wagenbindungen im Status „Entladung/Wiederbeladung“

im Zeitraum t-T ergibt sich aus der Summe der Differenzen zwischen dem beladenen
Eingang des Wagens (Ereignis „Erledigung/beladen“) beim Kunden und dem nächsten
Ausgang des Wagens (Ereignisse „Aktivierung/beladen“ und „Aktivierung/entladen“).

156
Je nachdem, ob der Wagen beladen oder entladen zurückgegeben wird, handelt es sich
um eine Entladung oder eine Entladung mit Wiederbeladung.

Gleichung 6: Die Summe der Wagenbindungen im Status „Ausland“ im Zeitraum t-T

ergibt sich durch die Summe der zeitlichen Differenzen zwischen dem Auslandsausgang
eines Wagens („Auslandsausgang/beladen“) und dem nächsten Auslandseingang des
Wagens („Auslandseingang/beladen“ oder „Auslandseingang/entladen“).

Gleichung 7: Die Summe der Wagenbindungen im Status „Schad“ im Zeitraum t-T

ergibt sich durch die Summe der zeitlichen Differenzen zwischen der Feststellung des
Schadzustands, der praktisch immer am Leerwagen erfolgt (Ereignis „Beginn/schad“)
und der Freigabe nach der Reparatur (Ereignis „Ende/schad“).

Gleichung 8: Die verschiedenen Stati decken den Güterwageneinsatz vollständig ab.

Der Einsatz der betrachteten Wagen im Zeitraum t-T wird durch die Summe der Stati
vollständig dokumentiert. Wie Gleichung 7 zeigt, entspricht die gesamte Flottenkapazi-
tät (Zahl der Güterwagen F, multipliziert mit der Länge des betrachteten Zeitraums T-t)
der Summe der Bindungen der einzelnen Stati im betrachteten Zeitraum.

Die in Abschnitt 5.1. entwickelte Modellierung des Güterwageneinsatzes über die zeit-
liche Bindung lässt sich wie folgt zusammenfassen:
1. Anstelle die Güterwagenbewegungen als Zeit-Raum-Netzwerk zu modellieren,
wird der Güterwageneinsatz in über die einzelnen Bestandteile (Stati) des Gü-
terwagenumlaufs modelliert.
2. Die Aufteilung des Güterwagenumlaufs erfolgt durch sogenannte Ereignisse des
Güterwageneinsatzes, die empirisch beobachtbar sind. Die Zeit zwischen zwei
Ereignissen wird immer einem Status zugeordnet, so dass die Summe der Wa-
genstati identisch ist mit dem Wagenpark im Betrachtungszeitraum.

5.2. Ableitung des Kapazitätsbedarfs je Service-Level (For-

schungsfrage 1)

Anhand des entwickelten Status-Modells soll in diesem Abschnitt Forschungsfrage 1

untersucht werden: „Wie viel Wagenkapazitäten benötigt man angesichts gegebener

157
Systemparameter (exogener Nachfrage- und Kapazitätsschwankungen), um ein be-
stimmtes Service-Level zu erreichen?“
Zur Forschungsfrage 1 wurde in Abschnitt 3 folgende These aufgestellt:
Die Abstraktion von Zeit-Raum-Netzwerken ermöglich eine hohe Prognosegüte auf Ta-
gesebene. Zur Spitzenabdeckung werden überproportional mehr Wagen benötigt als zur
Grundversorgung.
Diese These baut auf folgenden Unterthesen zu den Kernprozessen des Güterwagen-
managements auf:
Thesen zur quantitativen Bedarfsprognose:
1. Die Bedarfe schwanken tageweise stärker als wöchentlich
2. Bestellungen sind z.T. größer als der tatsächliche Güterwagenbedarf
Thesen zur qualitativen Bedarfsprognose:
3. Die zeitliche Bindung der Güterwagen durch den Kunden schwankt stark.
4. Die flexible Nutzung von Wagenkapazitäten puffert interne Prozesse der Verla-
der und stellt eine wichtiges Leistungskriterium der Eisenbahn dar.
Thesen zur Methode Kapazitätsableitung:
5. Kausalmodelle eignen sich daher weniger zur Prognose als Zeitreihenmodelle
6. Kapazitätsermittlung mit Schwankungen in der Güterwagenbestellung und der
Güterwagenbindung liefert genauere Bedarfsprognosen als mit konstanter Bin-
dungsdauer je bestelltem Güterwagen.

Bevor die Forschungsfragen anhand von Modellgrößen formuliert werden können, sind
die Größen Wagenbedarf, Kapazität und Service-Level anhand des Stati-Modells ge-
nauer zu definieren.

5.2.1. Definition von Wagenbedarf, Kapazität und Service-Level

Ansätze zur Definition des Güterwagenbedarfs

Nachdem die Zusammensetzung der Güterwagenkapazität aus Stati modelliert ist, sol-
len jetzt die Größen Güterwagenbedarf und Service Level entsprechend daraus abgelei-
tet werden. In Abschnitt 3.1. wurde die für das Güterwagenmanagement relevanten
Nachfrage in eine quantitative Komponente (Zahl der Wagenbestellungen) und eine
qualitative Komponente (Länge der resultierenden Gesamtbindung) aufgeteilt. Je nach-

158
dem welche Komponente für die Definition von Güterwagenbedarf zugrunde gelegt
wird, ergeben sich verschiedene Definitionen des Service-Levels:
1. Der Güterwagenbedarf könnte erstens als die Zahl der an einem bestimmten Tag
eingehenden Wagenbestellungen dargestellt werden (quantitative Komponente). Die
Bestellungen erfolgen i.d.R. am Vortag für den Folgetag. Der Service-Level eines
Tages würde hierbei definiert werden als das Verhältnis des realisierten Bedarfs (der
fristgerecht gestellten Wagen) zum Gesamtbedarf (alle Wagenbestellungen). Der
Service-Level über mehrere Tage ergibt sich als der Tages-Durchschnittswert. Der
Nachteil dieser Definition von Service Level besteht darin, dass bei konstantem
Wagenbestand und konstanter Wagenbestellungen durch Schwankungen in der Bin-
dungsdauer dennoch Schwankungen im Service-Level entstehen. Diese Schwan-
kungen in der Bindungsdauer sind aber in wesentlichen Bestandteilen durch den
Kunden verursacht oder mitverursacht. Wie in Abschnitt 3.1.1. beschrieben, spielt
der Umfang und Flexibilität der zeitlichen Bindung der Güterwagen eine wichtige
Rolle für den Kunden. Daher würden die exogene Inputgröße „qualitative Kunden-
nachfrage“ nicht korrekt abgebildet im Trade-off zwischen Kapazität und Service-
Level.
2. Man kann den Güterwagenbedarf zweitens auch abbilden über die Summe der Bin-
dungen, welche im Rahmen der Auftragserfüllung durchgeführt werden (quantitati-
ve und qualitative Komponente). Dies sind bis auf die Stati „leer stehend“ und
„Schadstand“ der komplette Güterwagenumlauf. „Leer stehende“ Wagen und Wa-
gen im „Schadstand“ hingegen stellen nicht genutzte Kapazität dar. „Leer stehende“
Wagen sind die hiervon sofort verfügbare Kapazitätsreserve. Gegen diese Definition
des Wagenbedarfs lässt sich argumentieren, dass der Kunde keinen Einfluss auf die
Länge der Wagenbindung im Last- und Leerlauf sowie im Ausland hat. Bei gegebe-
nem Service-Design resultieren die Bindungszeiten allerdings aus dem Prozess der
Auftragserfüllung, und können daher dem Gesamtbedarf nach Güterwagenkapazität
zugerechnet werden. Erst im nächsten Schritt (Bestimmung der Hebelwirkungen
von Service Design, Disposition und Produkt-/Preisdifferenzierung ) wird diese An-
nahme gelockert. Der Service-Level eines Tages wird auch beim zweiten Definiti-
onsansatz definiert als das Verhältnis von realisiertem Bedarf zu Gesamtbedarf. Al-

159
 lerdings werden Bedarf und Kapazität als Zeitgrößen definiert (Güterwagentage) an-
stelle von Ereignissen247 (bestellte und gestellte Wagen).

Wagenbedarf als zeitliche Bindung: Ableitung von Kapazität und Service Level
Langfristig sollte der Service-Level nach dem ersten Definitionsansatz zumindest in
einem festen Verhältnis mit dem Service-Level nach dem zweiten Definitionsansatz
stehen. Dies liegt daran, dass die Schwankungen der Bindungsdauern um den Mittel-
wert sich über einen längeren Zeitraum ebenso ausgleichen wie die Schwankungen in
der räumlichen Verteilung von Güterwagenbedarf und -angebot. Aus o.g. Vorteilen für
die Modellierung wird daher in dieser Arbeit der zweite Definitionsansatz verwendet.

Die Kapazitätsauslastung einer Zeitperiode (z.B. drei Wochen) ergibt sich nach dem
gewählten Definitionsansatz als Summe der Bindungen der Stati
- Leerlauf/Lastlauf (Transportdauer)
- Beladung/Entladung/Wiederbeladung (Zeit im Kundenanschluss)
- Im Ausland (Zeit für Transport und im Kundenanschluss im Ausland)
innerhalb der Zeitperiode an der Gesamtwagenkapazität in gleicher Einheit (Wagenzahl,
multipliziert mit den Zeiteinheiten der Zeitperiode). Um möglichst präzise messen zu
können, empfiehlt sich die Maßeinheit des Güterwagen-Tags. Abbildung 23 zeigt die
(hypothetische) Verlaufskurve von Güterwagenbedarf und Service-Level im Wochen-
verlauf. Die Fläche unter der geschwungenen Kurve stellt den Güterwagenbedarf dar,
der im Wochenverlauf schwankt (linke Hälfte). Die rechte Hälfte zeigt die Dichtefunk-
tion des Güterwagenbedarfs; der Bedarf übersteigt nur an wenigen Tagen den Kapazi-
tätsbestand. Der Service-Level der einzelnen Tages-Perioden ergibt sich als Verhältnis
von Tagesbedarf an Güterwagen zum Tages-Kapazitätsbestand (konstant). Liegt der
Tagesbedarf unter dem Tages-Kapazitätsbestand, so beträgt der Service-Level 100 %.
Der Durchschnittswert aller Tagesperioden über den betrachteten Zeitraum ergibt den
Service Level der 3 Wochen.

247
Hier nicht zu verwechseln zu den Güterwagenereignissen des Modells, auch wenn die leere Gestellung
ein Ereignis i.S. des Modells darstellt.

160
 Kapazitätsbestand
Kapazitätsbedarf Leer stehend &
in Wagen/Tag Leer stehend &
Schadstand Schadstand
Maximal-
bedarf Ausfälle:
25 %
Kapazitäts-
bestand

Service-
Level: 75 %

Minimal-
bedarf
Güterwagenbedarf Güterwagenbedarf
= Bestellungen * = Bestellungen *
resultierende Bindung resultierende Bindung

Zeitperioden (Tage) Zeitperioden (Tage)

im Wochenverlauf sortiert nach Kapazitätsbedarf
Abbildung 23: Schematische Darstellung des Zusammenhangs zwischen
Kapazitätsbedarf, Kapazitätsbestand und Service-Level248

Da der Güterwagenbedarf im Wochenverlauf charakteristische und starke Schwankun-

gen durchläuft (vgl. Abschnitte 3.2.1. und 4.3.), sollte auch die Kapazitätsauslastung im
Wochenverlauf erheblich schwanken. Die aus den Tageswerten abgeleitete Kapazitäts-
auslastungskurve doppelt geschwungen: Der Güterwagenbedarfs schwankt im Wochen-
verlauf zwischen dem Minimalbedarf und der Spitzennachfrage (Maximalbedarf). Am
Tag mit dem größten Bedarf konnten nur 75 % der benötigten Kapazitäten bereitgestellt
werden, so dass der Service-Leve 75 % beträgt. Die Güterwagenkapazität einer Periode
ist gegeben durch den Bestand an Güterwagen, d.h. die Gesamtgröße der Güterwagen-
flotte. Die Kapazitätsauslastung der Güterwagenflotte ergibt sich als Quotient der reali-
sierten Nachfrage (nachfragebedingte Bindung) und der Gesamtkapazität.

Der Güterwagenbedarf, der Service-Level und die Kapazitätsauslastung können in

Größen des Stati-Modells wie folgt dargestellt werden:

Der Güterwagenbedarf einer Periode t sei für die weitere Modellierung mit X t wie-
dergegeben. Er besteht aus der Summe der auf diese Periode entfallenden Anteile an
den Ereignispaaren je Status (wiedergegeben durch a, b und g je Status). Über den Zeit-

248
Quelle: Eigene Darstellung

161
raum t-T wird der Güterwagen bestimmt anhand der Gleichungen (2)-(6) durch Sum-
mierung der Ereignispaare für die dem Güterwagenbedarf zugeordneten Stati.
F E T
æ ö Beladung
+å å å ççè AB e +1 - EL e ÷÷
f e t t+x t ø

F E T ææ ö æ ö æ öö Leerlauf
+å å å çç ççè EB e +1 - ABe ÷÷ + çç EBe + 1 - AEBe ÷÷ + çç AAB e - ABe + 1 ÷÷ ÷÷
t ø è t+n t ø è t+n ø
f e t è t+n t
ø

F E T ææ ö æ öö
+å å å çç çç AB e +1 - EB e ÷÷ + çç ALe +1 - EBe ÷÷ ÷÷ Entladung/Wiederbeladung
f e t èè t+n t ø è t+n t ø
ø

F E T ææ ö æ öö Ausland
+å å å çç ççè AEB - AAe ÷÷ + çç AELe +1 - AAe ÷÷ ÷
e +1
t ø è t ø
÷
f e t è t +n t +n
ø
T
= åX
t
t
(9)

Gleichung 9: Analog zu den Gleichungen 2-6 addieren sich die Ereignispaare der ein-
zelnen Stati zu einem Teil der gesamten Güterwagenkapazitäten auf – und zwar dem
Anteil, der im Rahmen der direkten Leistungsdurchführung gebunden wird. Diese Defi-
nition des Güterwagenbedarfs ist korrekt, solange keine signifikanten Ausfälle auftre-
ten. Die gesamte Nachfrage der Kunden nach Güterwagen besteht aus der realisierten
Nachfrage X, die sich in Form von gebundenen Güterwagen niederschlägt, und der
nicht realisierten Nachfrage X’, die in der Praxis nur in der Höhe der nicht erfüllten Be-
stellungen vorliegt. Durch empirische Beobachtung der eingesetzten Güterwagenflotte
nach dem oben beschriebenen Status-Modell kann die nicht realisierte Nachfrage daher
nicht direkt ermittelt werden. Zur Abschätzung des Gesamtbedarfs ist daher eine Prog-
nose notwendig, welche Güterwagenbindung in den einzelnen Perioden zur Abdeckung
der nicht realisierten Nachfrage notwendig gewesen wäre.

Hätten die nicht erfüllten Wagenbestellungen realisiert werden sollen, hätte die Ge-
samtkapazität und die entsprechende Zahl an Wagen nicht nur am Bestelltag höher sein
müssen. Der Mehrbedarf gilt erstens für die Folgetage, solange diese Wagen im Einsatz
gewesen wären. Die resultierende zeitliche Bindung in den Folgetagen kann in Erman-
gelung beobachtbarer Werte durch die mittlere Bindung der erfolgreich gestellten Wa-
gen des gleichen Tages wiedergegeben werden. Zweitens beginnt die Bindung bestellter
Wagen bereits vor dem Bestelltag und dauert je Wagen unterschiedlich lange. Diese
zeitliche Verteilung der Bindungsdauern wird in Abschnitt 6.2.1. erhoben, damit realis-

162
tische Werte in das Modell einfließen. Für das Modell ist wichtig, dass es sich bei dem
Güterwagenbedarf X lediglich um die realisierte Nachfrage handelt.

Die Gesamt-Kapazität F einer Tagesperiode im betrachteten Zeitraum entspricht nach

dem Stati-Modell dem Wagenpark. Die Kapazitätsauslastung kann daher dargestellt
werden als:
Xt
Kapazitätsauslastung in Tagesperiode t: £ 1 (10)
F
bzw. über einen längeren Zeitraum T-t als
T

å (Xt
t )
£ 1
F * (T - t ) (11)

Gleichung 10 beschreibt den Anteil des Wagenparks, der in Periode t (z.B. einem be-
stimmten Tag) durch die direkte Leistungsdurchführung gebunden ist. Er entspricht dem
Verhältnis des Güterwagenbedarfs X in Periode t zur Gesamtkapazität F. Gleichung 11
beschreibt die mittlere Kapazitätsauslastung im Zeitraum t-T. Hier werden die Wagen-
bedarfe über die Perioden addiert und der Wagenpark mit der Zahl der betrachteten Pe-
rioden (t-T) multipliziert.

Der Service-Level eines Tages ergibt sich als mittleres Verhältnis der Gesamtnachfra-
F
ge zur Güterwagenkapazität: £ 1
( X t + X 't )
(12)
bzw. über einen längeren Zeitraum T-t als:
T
F
å (X
t t + X 't )
£ 1 . (13)
T -t

Gleichung 12 beschreibt das Verhältnis der Güterwagenkapazität zur Summe von er-
fülltem Wagenbedarf (X) und nicht erfülltem Wagenbedarf (X’) in Periode t. Obwohl
der Bruch rein rechnerisch größer 1 sein kann, ist ein Service-Level über 100 % nicht
aussagekräftig. Gleichung 13 beschreibt den mittleren Service-Level im Zeitraum t-T.

163
Das Verhältnis von Wagenkapazität zu Service-Level wird daher bestimmt durch die
Schwankungen in der Zahl der bestellten Wagen ebenso wie die Dauer der resultieren-
den Bindung. Zentral für die Untersuchung von Forschungsfrage 1 ist daher die mög-
lichst genaue Prognose des durch Wagenbestellung und –bindung resultierenden Gü-
terwagenbedarfs. Aufgrund der in Abschnitt 3.1. beschriebenen Vorteile der Zeitreihen-
analyse frü die Prognose kurzfristiger Schwankungen wird daher ein Zeitreihenmodell
des Güterwagenbedarfs entwickelt.

5.2.2. Nachfrageprognose mit Zeitreihenmodellen

Zeitreihen-Komponenten des Güterwagenbedarfs

Die Ermittlung des Kapazitätsbedarfs zur Erzielung eines bestimmten Service-Levels
(Forschungsfrage 1) setzt die Prognose des Wagenbedarfs voraus. In diesem Abschnitt
soll daher versucht werden, ein Zeitreihenmodell zu entwickeln, das die Schwankungen
im Güterwagenbedarf möglichst vollständig beschreiben und prognostizieren kann. Die
zu untersuchende Zeitreihe besteht in der Anzahl der je Periode nachfrageseitig gebun-
denen Wagen zzgl. der nicht realisierten Nachfrage.

Die Zeitreihe des Güterwagenbedarfs soll zur besseren Analyse wie oben beschrieben in
Tageswerten dargestellt werden. Die Ereignisse und Bindungen werden zwar grundsätz-
lich in einer kontinuierlichen Abfolge realisiert. Die Ereignispaare können durch Auftei-
lung nach a, b und g jedoch einheitlich definierten Zeitpunkten (Tagen) im Zeitraum
zugeordnet werden. Hierdurch kann die Entwicklung der Güterwagenstati über zeitlich
diskrete Zeitreihen ausgedrückt werden. Der oben modellierte Güterwagenwagenbedarf
ist eine Zufallsvariable X, deren Realisationen im Rahmen der empirischen Untersu-
chung beobachtbar sind. Die Wahrscheinlichkeitsverteilung von X ist definiert durch
die Funktion
F ( X ) = P (X = x j ), å jÎN
pj =1

(14)
F(x) ist die Verteilungsfunktion der Zufallsvariablen X. Sie gibt die Wahrscheinlichkeit
an, dass der Güterwagenbedarf X einer Periode kleiner oder gleich dem Wert x ist. Die
Verteilungsfunktion ist eine monoton wachsende rechtsstetige Funktion, 0 £ F ( x ) £ 1 .

164
Mittelwert m := E ( X ) = åx j pj
jÎ N

(15)
s 2 := E ( X - m ) p j
2
Varianz

(16)
Gelingt uns die Ermittlung der Verteilungsfunktion des gesamten Güterwagenbedarfs X
über einen bestimmten Zeitabschnitt, so kann anhand der bestehenden Güterwagenflotte
der Service-Level ermittelt werden. Der Service-Level ergibt sich als Wahrscheinlich-
keit, dass die Kapazität der Güterwagenflotte in dem betrachteten Zeitabschnitt über
dem Güterwagenbedarf liegt.

Bevor wir das geeignete Modell der Zeitreihenanalyse bestimmen, sollen zunächst die
Einflussgrößen auf den Güterwagenbedarf benannt werden. Wie in Abschnitt 3.1.2. be-
schrieben, handelt es sich bei dem Güterwagenbedarf um eine saisonale Zeitreihe mit
regelmäßigen, systematischen Bewegungen. Diese Bewegungen können inhaltlich fol-
genden Ursachen zugeordnet werden (vgl. Abschnitt 4):
1. Trend-Komponente: Der Trend gibt die Grundrichtung einer Zeitreihe wieder.
Die Grundrichtung kann durch „Strukturbrüche“ verändert werden. Wirken die-
se langfristig, so wird der Effekt meist dem Trend zugerechnet. Einem solchen
Strukturbruch entspräche z.B. eine starke Veränderung der Güterwagenkapazitä-
ten und die damit verbundenen Änderungen der Ereignisse. Bei konstantem Gü-
terwagenpark kann ein Trend entstehen durch:
a. Veränderung der Verkehrsstruktur (Auslandsanteil, Standort-
Konzentration)
b. Veränderung in den der Umlaufzeit zugrundeliegenden Prozessen der Ei-
senbahn bzw. der Kunden (Service-Design und Kapazitätssteuerung).
2. Konjunkturelle Schwankungen (Zyklus-Komponente): Darunter fallen
Schwankungen mit einer Dauer von über einem Jahr. Die Stahlproduktion als
Haupttreiber der Shi-Transporte durchläuft starke konjunkturelle Bewegungen
über eine Periode von 2-3 Jahren. Trend und Konjunkturzyklus können zur so-
genannten „glatten Komponente“ zusammengefasst werden.
3. Saisonale Schwankungen (Saison-Komponente): Darunter fallen sich jährlich
wiederholende Bewegungen der Zeitreihe mit einer Periode von einem Jahr.
Charakteristische Einflüsse sind die Sommerpause und die Weihnachtspause, in

165
 denen das Transportaufkommen zurückgeht. Daneben gibt es jeweils zum Quar-
talsende Bestrebungen der Stahlhersteller, das Versandvolumen zu maximieren,
was zu hohen Wagenbestellungen führt.
4. Schwankungen im Wochenverlauf (Wochen-Komponente): Aufgrund der
sehr geringen zeitlichen Aggregation (nach Tageswerten) besteht eine weitere
regelmäßige, systematische Bewegung im Wochenverlauf. Diesen Effekt nennen
wir Wochenverlauf. An Samstagen und Sonntagen sinkt generell die Zahl der
Ereignisse, die Bindungsdauer der noch nicht abgeschlossenen Bindungsdauern
nimmt zu. Ursache hierfür ist sowohl das Service-Design als auch die geringere
quantitative Nachfrage am Wochenende. Beide zusammen resultieren in einer
charakteristischen Wochenverlaufskurve von Ereignissen und Bindungsdauern.
5. Irreguläre Komponente (Restkomponente): Darunter fallen alle rein zufälli-
gen Schwankungen um die Null-Linie ohne Periodizitäten oder erkennbare
Strukturen („weißes Rauschen“). Zwei Effekte könnten dazu führen, dass die
Restkomponente systematische Anteile enthält; durch statistische Testverfahren
ist die Restschwankung daher auf diese beiden Komponenten zu prüfen:
a. Kalendereffekte auf Tagesniveau249: Kalendereffekte bestehen sowohl auf
Monats- als auch auf Wochen- und Tagesebene. Sie beruhen bei Monats-
und Wochenwerten auf der unterschiedlichen Länge der Monate und der un-
gleichen Verteilung der Wochentage. Wochen- und Monatswerte werden
durch Feiertage und Ferien verändert. Bei Tageswerten wird der normale
Wochenverlauf durch Feiertage zerstört. Dies betrifft sowohl den Feiertag
selber (geringere Zahl der Ereignisse, vergleichbar mit dem Wochenende)
als auch den Tag vor dem Feiertag (erhöhte Zahl der Wagenbestellungen).
b. Singuläre Effekte: Darunter fallen außergewöhnliche Ursachen, die vorüber-
gehend starken Einfluss ausüben. Für die Shi-Verkehre fallen darunter z.B.
Streiks und Annahmesperren im Ausland, welche beladene Wagen an der
Grenze blockieren bzw. die Auslandsausbleibezeit massiv verlängern.

Mathematische Darstellung
Zur Prognose der Zufallsvariable Wagenbedarf wird ein strukturelles Komponentenmo-
dell entwickelt. Strukturelle Komponentenmodelle gehen vor allem auf Harvey (1990)
zurück und bauen auf dem traditionellen (deterministischen) Komponentenmodell der

249
Vgl. Hierzu Kohlmüller, G. (1987), S. 6

166
Zeitreihenanalyse auf. Sie bieten gegenüber dem klassischen Ansatz folgende Vortei-
le250:
- Als stochastisches Zeitreihenmodell werden die einzelnen Komponenten mittels
spezieller stochastischer Prozesse modelliert.
- Durch Modifikation der stochastischen Teilprozesse lässt sich ein breites Spektrum
von Modellvariationen erzeugen.
- Strukturelle Komponentenmodelle lassen sich als Unterfall der ARIMA-
Zeitreihenmodelle darstellen.

Die Zeitreihe wird dabei wie in den klassischen Verfahren der Zeitreihenanalyse aufge-
teilt in mehrere additive Komponenten (additives Komponentenmodell):
X t = m t + y t + S t + Wt + e t ; t = 1,2,..., T mit e t » NID(0, s K2 t ) (17)

Gleichung 17 beschreibt die Aufteilung des Güterwagenbedarfs in die einzelnen Kom-

ponenten. Der Gesamtbedarf besteht (von links nach rechts) aus Trend-, Zyklus-, Sai-
son-, Wochen- und irregulärer Komponente. Die irreguläre Komponente ist näherungs-
weise normalverteilt (NID in der Formel steht für Normally Independently Distribu-
ted). ht bezeichnet also das Gaußsche weiße Rauschen mit Erwartungswert Null und

Varianz s h2 . Die normalerweise unbekannten Varianzen der white-noise-Prozesse wer-

den als Hyperparameter bezeichnet.

Im Folgenden werden die einzelnen Komponenten genauer beschrieben:

Trend-Komponente
m t = m t -1 + d +ht , t = 1,2,K, T mit ht » NID(0;s h2 ) (18)

In Gleichung 18 wird der Wert der Vorperiode stets um d erhöht; d ist also die Drift-
konstante. Der Trendfaktor entspricht daher dem random walk mit Drift.

Zyklus-Komponente
y t = A* Cos[lc (t - q )] + K t , t = 1,2,KT mit K t » NID(0;s K2 t ) (19)

In Gleichung 19 wird die Zyklus-Komponente durch eine trigonometrische Funktion

modelliert, die überlagert ist von weißem Rauschen. Die Cosinus-Funktion wird be-
schrieben durch

250
Vgl. Stier, W. (2001), S. 161f.
167
 - A Amplitude
- lc Zyklusfrequenz

- q Phase der zyklischen Komponente

2pj kl
mit lc = , j = 1,2, K ,
kl 2
kl gibt die Länge der Konjunkturschwingung in Zeitperioden wieder

Saison-Komponente

å
s -1
j =0
S t - j = w t , w t » NID (0;s w2 ) (20)

bzw. S t = - å j =0 S t - j + w t , w t » NID (0;s w2 )

s -1
(21)

Gleichungen 20 und 21 drücken aus, dass sich die Summe der (starren) Saisonkompo-
nenten im Verlauf eines Gesamtzyklus praktisch zu null aufaddieren.

Wochen-Komponente
[S / 2 ]
2pj wl
Wt = å (g j cos l j t + s j sin l j t )+ w t mit lc = , j = 1,2, K , (22)
j =1 wl 2
In Gleichung 22 wird die Schwankung im Wochenverlauf durch starre Sinus- und Co-
sinus-Kurven beschrieben. Die Wochenfrequenz l j ergibt sich aus dem Wochentag j,

wobei die Wochenlänge wl sieben Tage beträgt.

Die Parameter diese strukturellen Komponentenmodells werden in Abschnitt 6.2.1. an-

hand der empirischen Daten erhoben. Die Güte des Zeitreihenmodells wird anschlie-
ßend in Abschnitt 6.2.2. geprüft. Das Zeitreihenmodell wird dann zur Untersuchung der
Forschungsfrage 1 inkl. Unterthesen eingesetzt.

Die Modellierung des Kapazitätsbedarfs über das Stati-Modell in diesem Abschnitt lässt
sich wie folgt zusammenfassen:
1.) Das Stati-Modell eignet sich zur Ableitung des Wagenbedarfs. Das Modell erlaubt
die Definition von Wagenbedarf, Kapazität und Service-Level, so dass der tägli-
che Bedarf der Stahlindustrie an Shi-Wagen und der erzielte Service-Level empi-
risch untersucht werden.

168
2.) Anhand eines Komponentenmodells der Zeitreihenanalyse können Schwan-
kungsmuster der Tagesbedarfe bestimmt und eine Bedarfsprognose durchgeführt
werden.
3.) Diese Bedarfsprognose ermöglicht uns die Ableitung der zur Erzielung eines be-
stimmten Service-Levels notwendigen Güterwagenkapazitäten (Forschungsfrage
1).

Damit auch Forschungsfrage 2 empirisch untersucht werden kann, soll in Abschnitt 5.3.
die Hebelwirkung der sogenannten endogenen Faktoren auf den Güterwagenbedarf mo-
delliert werden.

5.3. Simulation der Hebelwirkung (Forschungsfrage 2)

Anhand des entwickelten Status-Modells soll jetzt Forschungsfrage 2 modelliert wer-

den:
„Welche der beeinflussbaren Rahmenbedingungen haben den größten Hebel auf dieses
Verhältnis von Wagenkapazitäten zu Service-Leveln?“
- 5.3.1.: Im ersten Schritt wird der Modellansatz zur Beschreibung der Hebelfaktoren
aus Abschnitt 3 anhand des Stati-Modells dargestellt.
- 5.3.2. und 5.3.3.: Anschließend wird die Wirkung der Hebelfaktoren anhand des
mathematischen Stati-Modells formuliert. In Abschnitt 5.3.2. erfolgt dies für die
Hebelwirkung des Service-Designs; in Abschnitt 5.3.3. für die Hebelwirkung der
Kapazitätssteuerung.

5.3.1. Ansatz zur Modellierung der Hebelfaktoren

Der Gesamtbedarf nach Güterwagen wird durch mehrere exogene und endogene Fakto-
ren beeinflusst. Zu den exogenen Faktoren gehört die quantitative Nachfrage nach Last-
läufen, welche die Bestellungen von Güterwagen auslöst. Zu den endogenen Faktoren
gehört das Service Design und die Art der Kapazitätssteuerung. Wie in Abschnitt 3 be-
schrieben, teilen sich diese Hebelfaktoren wie folgt auf:
- Bestandteile des Service-Designs
o Konsolidierung: Einzelwagen-Anteil
o Zyklizität: Häufigkeit der Transportverbindungen
o Lagerung der Wagen beim Kunden

169
 - Ansätze zur Kapazitätssteuerung
o Angebotsseitig: Güterwagendisposition
o Nachfrageseitig: Produkt- und Preisdifferenzierung.

In Abschnitt 3.2. und 3.3. dieser Arbeit wurde folgende These zur Wirkung dieser He-
belfaktoren entwickelt, die im Abschnitt 6 operationalisiert und empirisch geprüft wer-
den soll: „Das Service-Design stellt den größten Hebel zur Beeinflussung des Güterwa-
genbedarfs dar“. Die These baut auf 4 Unterthesen zu den Hebelfaktoren des Güter-
wagenmanagements auf:
1.) Das Service-Design stellt einen großen Hebel auf die beeinflussten Güterwagenstati
dar. Der Güterwagenbedarf ist um so höher
- Je höher der Anteil an Einzelwagenverkehren ist
- Je länger die Pause zwischen Bedienfahrten ist
- Je eher die Wagen beim Kunden gelagert werden.
2.) Die Disposition zur Leerlaufminimierung alleine stellt einen geringen Hebel auf die
beeinflussten Güterwagenstati dar.
3.) Der Dispositionsprozess wird aufgrund des täglichen Soll-/Ist-Abgleichs im Be-
stand leerer Wagen beim Kunden eher durch Lagerhaltungsmodelle wiedergegeben
als durch Modelle zur Leerlaufminimierung.
4.) Die Produkt- und Preisdifferenzierung mit Standgeld alleine stellt einen geringen
Hebel auf die beeinflussten Güterwagenstati dar.

Die Wirkung der einzelnen Faktoren können anhand des Modells der Güterwagenstati
aus Abschnitt 5.1. dargestellt werden. Dies ist dadurch möglich, dass die einzelnen Fak-
toren sich jeweils nur auf eine begrenzte Zahl der einzelnen Stati auswirken. So wirkt
sich z.B. die Leerwagen-Beförderung in geschlossenen Ganzzügen nur auf die Trans-
portdauer der Leerwagen aus – nicht auf die benötigte Zeit zum Beladen der Wagen. Im
Rahmen der Bedarfsprognose ist es nicht notwendig, den realisierten Güterwagenbedarf
aufzuteilen nach den einzelnen Stati. Zur Simulation der Hebelwirkung jedoch ist es
unerlässlich, die verschiedenen Faktoren über die Stati separat zu betrachten. Tabelle 15
zeigt die Zuordnung der endogenen Faktoren auf die Güterwagenstati aus Abschnitt
5.1..

170
Kernprozess des Endogener Faktor Status
Güterwagenmanagements
Service Design Beförderungsart (EW/Gag) Lastlauf/Leerlauf
Zugfrequenz Be-/Entladedauer
Pufferung beim Kunden Be-/Entladedauer
Kapazitätssteuerung Disposition Leerlauf
Produkt- und Preisdifferenzierung Be-/Entladedauer
Tabelle 14: Zuordnung endogener Einflussfakturen der Güterwagennachfrage zu Stati251

In den folgenden Abschnitten 5.3.2. und 5.3.3. wird modelliert, wie sich Schwankungen
im Wert der endogenen Faktoren auf die zeitliche Bindung in den einzelnen Güterwa-
genstati auswirken. In Abschnitt 6 werden anschließend die Anteile der einzelnen Stati
am gesamten Kapazitätsbedarf ermittelt und die endogenen Faktoren entsprechend ge-
wichtet.

5.3.2. Service Design

Die These „Das Service-Design stellt einen großen Hebel zur Güterwagenoptimierung
dar“ bezieht sich auf die Summe der Hebelwirkung der drei Elemente des Service De-
signs (Einzelwagenanteil, Zugfrequenz und Lagerung von Wagen beim Kunden). Das
Service Design hat Auswirkungen auf praktisch alle Phasen des Güterwageneinsatzes
außer dem Status Schadstand und leer stehende Wagen. Da sich der Einzelwagenanteil
nur auf die Transportdauer auswirkt, ist eine Trennung von den übrigen Faktoren nicht
notwendig. Im Fall der Häufigkeit von Zugbedienungen und Pufferung der Kunden hin-
gegen ist es notwendig, eine Aufteilung der Stati Beladung und Entla-
dung/Wiederbeladung vorzunehmen, die eine Separierung der beiden Effekte ermög-
licht.

Beförderungsart (Einzelwagen vs. Ganzzug)

Die These zur Beförderungsart lautet: „Der Güterwagenbedarf ist um so höher, je hö-
her der Anteil an Einzelwagenverkehren ist“ . Sie bezieht sich auf die Auswirkung der
Beförderungsart (Einzelwagen oder Ganzzug) auf die Transportdauer (Stati Leerlauf
und Lastlauf). Wie in Abschnitt 3.2.1. beschrieben, besteht eine Möglichkeit zur Ver-
ringerung der Umlaufzeit in der Erhöhung des Anteils an Ganzzug-Verbindungen. In

251
Quelle: Eigene Darstellung

171
Ganzzugverbindungen werden alle Wagen einer Sendung ohne weitere Behandlung
(Rangierarbeiten) direkt vom Versand- zum Empfangsort gesendet. Im Einzelwagen-
verkehr werden die Wagen einzelner Versender in Rangierbahnhöfen nach gemeinsa-
men Zielregionen gebündelt, um so Traktionskosten zu sparen, was eine deutliche Lauf-
zeitverschlechterung der Güterwagen gegenüber dem Ganzzug bedeutet. Während der
Lastlauf und Leerlauf selber zeitlich nicht zu stark ins Gewicht fällt, verursacht der
Konsolidierungsvorgang im Einzelwagennetz eine erhebliche zeitliche Verlängerung
der Transportzeit. Der Anteil von Einzelwagentransporten am Last- und Leerlauf einer
Güterwagenflotte hat daher großen Einfluss auf die Produktivität.

In der Modellierung aus Abschnitt 5.1.2. ergibt sich die durchschnittliche Transportdau-
er als

F E T ææ ö æ ö æ ö æ ö æ ö æ ö æ öö
å å å çç ççè EB e +1 - ABe ÷÷ + çç EBe +1 - AEBe ÷÷ + çç AABe - ABe + 1 ÷÷ + ç ELe + 1 - ALe ÷÷ + çç ELe + 1 - AELe ÷÷ + çç ALe + 1 - BS e ÷÷ + çç ES e - ELe + 1 ÷÷ ÷
t ø è t n t ø è t nø
ç t ø t ø t ø è t t x ø÷
f e t è t+n + t +
è t x+ è t x+ è t x+ +
ø
T
> 0
å (aˆ
t
t
Leerlauf
+ aˆ tLastlauf )

(23)
für Last und Leerlauf zusammen.

In Gleichung 23 wird die Summe der Ereignispaare für Last- und Leerlauf im Zeitraum
t-T durch die Anzahl der Last- und Leerläufe geteilt. Die Formeln für die Ereignispaare
entsprechen den in Gleichung 3 und 4 auf Seite 143-144 beschriebenen Differenzen
zwischen zwei aufeinanderfolgenden Ereignissen im Güterwageneinsatz.

Die These „Der Güterwagenbedarf ist um so höher, je höher der Anteil an Einzelwa-
genverkehren ist“ wird daher im Rahmen der empirischen Untersuchung in Abschnitt 6
als Zusammenhang zwischen dem Wagenbedarf X und der Formel in Gleichung 23 o-
perationalisiert werden müssen.

Zugfrequenz
Die These zur Zugfrequenz lautet: „Der Güterwagenbedarf ist um so höher, je länger
die Pause zwischen Bedienfahrten ist“. Sie bezieht sich auf die Auswirkung der Zugfre-
quenz vom und zum Kunden auf die Bindungsdauer der Wagen beim Kunden (Stati
Beladung und Entladung/Wiederbeladung). Die Häufigkeit von Übergabefahrten zum
Kunden und Bedienfahrten vom Kunden richtet sich nach dem Transportvolumen. Das

172
Transportvolumen und damit die Zugfrequenz schwankt über die verschiedenen Stand-
orte und im Wochenverlauf: Für große Versandstandorte bestehen 3-4 Bedienfahrten
pro Tag alleine für die Leerwagenversorgung. Die beladenen Aus- und Eingänge erfol-
gen rund um die Uhr. Für kleinere Standorte besteht nur eine Übergabe-/Abholfahrt am
Tag. Unabhängig von der Länge der Beladung bestehen um so mehr Möglichkeiten zur
Rückgabe von Wagen, je dichter die Fahrten getaktet sind. Die Wahrscheinlichkeit, dass
Wagen mangels Übergabemöglichkeit beim Kunden länger als notwendig verbleiben,
sinkt mit steigender Zugfrequenz.

Aufgrund der Wochenendruhe in vielen Betrieben und der hohen Fixkosten zur perso-
nellen Besetzung von Rangierbahnhöfen besteht allerdings eine Wochenendpause von
Samstag Mittag bis Sonntag nacht. Leerwagen, die in diesem Zeitraum benötigt werden,
müssen daher vor der Wochenendpause gestellt werden. Zurückzugebende Wagen
verbleiben über die Wochenendpause beim Kunden. Dies lässt die Güterwagenbindung
bei Kunden am Freitag, Samstag und Sonntag ansteigen.

Die durchschnittliche Bindungsdauer beim Kunden in einem bestimmten Zeitraum er-

gibt sich nach dem Modell aus Abschnitt 5.1.2. als

F E T
æ ö F E T
æ ö F E T
æ ö
å å å çç AB e +1 - ELe ÷÷ + å å å çç AB e +1 - EBe ÷÷ + å å å çç AL e +1 - EBe ÷÷
(24)
f e t è t+x t ø f e t è t+x t ø f e t è t+x t ø
> 0
T

å ( aˆ
t
t
Beladung
+ aˆ tEntl . / Wiederbel . )

In Gleichung 24 wird die Summe der Ereignispaare für die Stati Beladung und Entla-
dung/Wiederbeladung im Zeitraum t-T durch die Anzahl der Be-/Entladevorgänge ge-
teilt. Die Formeln für die Ereignispaare entsprechen den in Gleichung 2 und 5 auf Seite
143-144 beschriebenen Differenzen zwischen zwei aufeinanderfolgenden Ereignissen
im Güterwageneinsatz.

Die Zugfrequenz kann über die Zahl der Leer- und Lastläufe ermittelt werden. Da keine
einzelnen Wagen oder kleine Wagengruppen als Zug gefahren werden, bildet die Zahl
der Last- und Leerläufe â tLastlauf und â tLeerlauf , geteilt durch die mittlere Wagenzahl pro
Zug, einen sehr geeigneten Näherungswert. Da die Zugfrequenz zeitlich starken
Schwankungen unterworfen ist, muss die Zugfrequenz über kurze Zeitabstände wie Ta-

173
ge gemessen werden. Die Auswirkung auf die Bindungsdauer wird sich nur auf die an
diesem Tag beim Kunden befindlichen Wagen beziehen.

Die These „Der Güterwagenbedarf ist um so höher je länger die Pause zwischen Be-
dienfahrten ist“, wird daher in Abschnitt 6 als Zusammenhang zwischen der Zahl an
Last-/Leerläufen und der Formel in Gleichung 24 operationalisiert werden.

Lagerung von Wagen beim Kunden

Die These „Der Güterwagenbedarf ist um so höher je eher die Wagen beim Kunden
gelagert werden“ bezieht sich auf den Einfluss der zu früh gestellten Wagen auf die
Beladedauer beim Kunden (Status Beladung). Nach der traditionellen Praxis des Güter-
wagenmanagements werden leere Güterwagen fast vollständig beim Kunden gelagert.
Dies erfolgt einerseits zur Reduzierung von Abstellkosten, andererseits zur Pufferung
der Kunden gegen Versorgungsschwankungen (vgl. Abschnitt 3.2.1). Der Güterwagen-
bestellung geht die Ermittlung des verfügbaren Güterwagenbestands durch den Kunden
voraus. Die Bestandsermittlung erfolgt gemeinsam mit den Bestellungen für den Folge-
tag stets am Vormittag bis ca. 11 Uhr. Daher ist klar, wie viele Wagen für den nächsten
Tag nicht benötigt werden. Diese Wagen verbleiben jedoch bis auf extreme Ausnahme-
fälle beim Kunden und werden am Folgetag bei der Bestellung berücksichtigt.

Die Nachfrageschwankungen der einzelnen Standorte erfordern bei dezentraler Lage-

rung im Kundenanschluss höhere Pufferkapazitäten als bei zentraler Lagerung. Dies
liegt daran, dass der Güterwagenbedarf je Standort größeren Schwankungen unterliegt
als eine Gruppe von Standorten. Daher bedeutet eine Pufferung beim Kunden einen
Verzicht auf den Risikoausgleich über eine größere Zahl von Standorten.

Eine Verringerung der Pufferung beim Kunden führt neben geringerer Pufferkapazitäten
auch zu Mehrkosten durch Anmietung von Abstellgleisen und zusätzlichen Rangier-
bewegungen/Bedienungsfahrten. Im Rahmen dieser Arbeit wird allerdings kein Opti-
mum der Gesamtkosten ermittelt. Lediglich die Beeinflussung der Pufferung auf das
Verhältnis von Wagenkapazitäten und resultierendem Service-Level soll untersucht
werden.

174
Im Gegensatz zum Einzelwagen-Anteil oder der Zeitdifferenz zwischen Zugfahrten
wirkt sich die Pufferung nur auf einen begrenzten Teil Wagen in einem Güterwagensta-
tus aus. Es ist der Anteil am Status Beladung, den über Bedarf hinaus gestellte Wagen
ausmachen. Diese Güterwagen können nicht direkt als Untergruppe der leer gestellten
Wagen beobachtet werden. Es ist vielmehr eine manuelle Herausrechnung erforderlich
(vgl. Abschnitt 6.1.).

Die durchschnittliche Beladedauer je Güterwagen æ ö

çç ABe + 1 - ELe ÷÷
in einer bestimmten
è t+x t ø

Zeitperiode lässt sich formulieren als:

E T
æ ö
å å ççè AB e +1
t+x
- ELe ÷÷
t ø æ ö (25)
e
T
t
= çç ABe +1 - ELe ÷÷ > 0
è t+x t ø
å ( aˆ
t
t
Beladung
)

Gleichung 25 beschreibt analog zu Gleichung 24 die Beladedauer als Summe der Er-
eignispaare des Status Beladung im Zeitraum t-T, geteilt durch die Zahl der Beladun-
gen. Die durchschnittliche Beladedauer enthält einen Anteil Güterwagenbindung, der
sich durch die zu frühe Gestellung von Güterwagen ergibt. Wir wollen diesen Anteil mit
l kennzeichnen, so dass sich der durchschnittliche Anteil des Güterwagenpuffers an der
Beladedauer wie folgt ergibt:
F E T
æ ö
å å å çç AB e +1 - ELe ÷÷
(26)
f e t è t+x t ø
*l ³ 0
T

å ( aˆ
t
t
Beladung
)

Gleichung 26 leitet sich aus Gleichung 25 ab, kann aber gleich null sein, wenn keine
Wagen über den Bedarf hinaus gestellt werden. Die Höhe der beim Kunden gepufferten
Wagen schwankt im Jahresverlauf, da insbesondere im Sommer und über die Weih-
nachtsfeiertage das Transportaufkommen stark abnimmt. Von diesen Zeiträumen abge-
sehen ist das Service Design allerdings konstant, so dass nur eine feste Zahl von Ab-
stellgleisen zur Verfügung steht. Die These „Der Güterwagenbedarf ist um so höher je
eher die Wagen beim Kunden gelagert werden“ lässt sich daher nur für das bestehende
Service-Design prüfen.

175
Die Operationalisierung in Abschnitt 6 kann daher nur über den Anteil der im Fallbei-
spiel beim Kunden gepufferten Wagen am gesamten Wagenbestand beim Kunden er-
folgen.

5.3.3. Kapazitätssteuerung bei der Leistungserbringung

Disposition (Interne Steuerungsinstrumente)

Die Thesen zur Güterwagendisposition lauten:
- Die Leerlaufminimierung alleine stellt einen geringen Hebel zur Güterwagenoptimie-
rung dar.
- Der Dispositionsprozess wird aufgrund des täglichen Soll-/Ist-Abgleichs im Bestand
leerer Wagen beim Kunden eher durch Lagerhaltungsmodelle wiedergegeben als
durch Modelle zur Leerlaufminimierung.

Der erste Punkt betrifft die Auswirkung der Leerwagenverfügung auf die Bindungsdau-
er der Wagen im Leerlauf (Status Leerlauf). Die Steuerung der Leerwagenverteilung zur
Minimierung der Leerlauf-km stellt demnach einen geringen Hebel zur Verringerung
des Status Leerlauf dar.
Der zweite Punkt bezieht sich auf den Optimierungsansatz der Leerwagendisposition.
Wie in Abschnitt 3.3.2. und 4.3. beschrieben, wird die Güterwagendisposition in der
Literatur meist nur als Instrument zur Minimierung der Leerlauf-km eingesetzt, nicht als
Instrument zur Regulierung der Reservebestände an Güterwagen beim Kunden. Die
These hierzu ist, dass die täglichen Güterwagenbedarfe zum größeren Teil aus Lagerbe-
ständen erfüllt werden, und darüber hinaus die Verfügungen nur z.T. rechnergestützt
erfolgen.

1. Einfluss der Leerlaufminimierung auf den Leerlauf

In den Modellgrößen aus Abschnitt 5.1. wird die durchschnittliche Wagenbindung im
Leerlauf wie folgt dargestellt:

F E T ææ ö æ ö æ ö æ öö
å å å çç çç EL - ALe ÷÷ + çç ELe +1 - AELe ÷÷ + çç ALe +1 - BS e ÷÷ + çç ES e - ELe +1 ÷÷ ÷ (27)
t+x ø÷
e +1
t ø è t ø è t ø è
f e t èè t+x t+x t+x t
ø
T
> 0
å (aˆ
t
t
Leerlauf
)

176
Gleichung 27 entspricht dem auf den Leerlauf entfallenden Teil von Gleichung 23. Die
Summe der Ereignispaare des Status Leerlauf im Zeitraum t-T wird durch die Zahl der
Leerläufe im gleichen Zeitraum geteilt.

Die o.g. These muss daher in Abschnitt 6 als Zusammenhang zwischen der durch-
schnittlichen Wagenbindung im Leerlauf (je Relation) aus Gleichung 27 und der Trans-
portlänge der Relation operationalisiert werden.

2. Lager- vs. Leerlaufmodelle

Die Bindungsdauer eines Wagens beim Kunden wird nicht vollständig durch die Dispo-
sition beeinflusst, d.h. durch die Minimierung der Leerlauf-km. Dies liegt erstens daran,
dass nicht alle Bestellungen erst am Bedarfstag gestellt werden und zweitens nicht alle
gestellten Wagen rechneroptimiert zugefahren werden:
o Die o.g. Lagerung von Wagen beim Kunden und die Wiederbeladung entladener
Güterwagen führt dazu, dass ein erheblicher Bestandteil der benötigten Wagen
bereits beim Kunden steht. Es bestehen z.B. zahlreiche Standorte, an denen die
Kunden ihre Leerwagenversorgung vollständig aus beladenem Eingang bestrei-
ten können. In diesen Fällen ist die Modellierung der Güterwagendisposition als
Lagerhaltungsmodell (Kontrolle der Wagenbestände beim Kunden) einem Zeit-
Raum-Modell zur Leerlauf-Minimierung deutlich überlegen. Die Modellierung
der Disposition als Lagerhaltungsmodell ist um so überlegener, je größer der
Anteil der Wagen an der Wagengestellung ist, welche sich zum Bestellzeitpunkt
bereits beim Kunden befinden. Je größer dieser Anteil ist, um so eher handelt es
sich um ein „Auffüllen“ des Wagenlagers im Gegensatz zu einer „Just-in-
Time“-Lieferung der benötigten Wagen (vgl. Abschnitt 3.3.).
o Darüber hinaus werden auch nicht alle dem Kunden leer zugeführten Wagen
rechnergestützt zugefahren (Non-User-Compliance, vgl. Abschnitt 4.2.). Je hö-
her der Anteil dieser Wagen an der Gesamt-Wagenversorgung ist, um so gerin-
ger ist der Nutzen einer rechnergestützten Leerlaufoptimierung.

Die These „Der Dispositionsprozess wird aufgrund des täglichen Soll-/Ist-Abgleichs

im Bestand leerer Wagen beim Kunden eher durch Lagerhaltungsmodelle wiedergege-
ben als durch Modelle zur Leerlaufminimierung„ muss daher in Abschnitt 6 als These
zum Anteil des Wagen-„Lagers“ und nicht rechnergestützt zugefahrener Wagen an der

177
Leerwagenversorgung operationalisiert werden. Beide Größen können allerdings nicht
in Größen des Status-Modells formuliert werden und müssen daher in Abschnitt 6 in
Größen des empirisch verfügbaren Zahlenmaterials operationalisiert werden.

Produkt- und Preisdifferenzierung (externe Steuerungsinstrumente)

Die These Produkt- und Preisdifferenzierung lautet:
„Die Produkt- und Preisdifferenzierung mit Standgeld alleine stellt einen geringen He-
bel auf die beeinflussten Güterwagenstati dar“.
Wie in Abschnitt 3.3.3. beschrieben, werden im Eisenbahngüterverkehr Preise nur nach
Entfernungen und Relationen differenziert, d.h. für den Güterwagenstatus Lastlauf. Es
gibt nur z.T. Ansätze, die Wagenbindung in die Preisdifferenzierung einzubeziehen
(Wagenstandgeld, siehe Abschnitt 4.2.). Wie in Abschnitt 4.3. beschrieben, werden Ü-
berschreitungen der Ladefrist durch den Kunden mit Standgeldsätzen kompensiert. Die-
se Standgeldsätze orientieren sich grob an den Mietpreisen von Güterwagen und stellen
die einzige Form der wagenbezogenen Preisdifferenzierung dar, die bei DB Cargo be-
steht.

Ohne Preisdifferenzierung nach verursachter Wagenbindung werden Ressourcenkosten

allerdings nicht ausreichend berücksichtigt. Ausgehend von der Produkt- und Preisdiffe-
renzierung der DB Cargo AG soll daher untersucht werden, inwiefern die dort vorherr-
schende Regelung einen Hebel auf die Güterwagenbindung beim Kunden darstellt.

Die Frage, ob wagenbezogene Preisdifferenzierung einen Hebel darstellt, zerfällt in

zwei Fragestellungen:
- Schwanken die durch den Kunden direkt beeinflussten Bindungszeiten stark?
- Werden diese Schwankungen über das heutige Preissystem abgebildet?
Wenn die Schwankungen der Bindungsdauer signifikant sind und über das heutige
Preissystem der DB Cargo AG nicht signifikant abgebildet werden, wird eine geringe
Wirkung auf die Wagenbindung beim Kunden unterstellt. Welches Preismodell optima-
lerweise eingesetzt werden sollte, wird im Rahmen dieser Arbeit nicht betrachtet.

Die Frachtzahlung für Coil-Transporte in Shi erfolgt normalerweise durch das versen-
dende Stahlwerk. Der Gesamtpreis für diesen Kunden umfasst den eigentlichen Trans-
portpreis zuzüglich ggfs. bei der Beladung anfallender Standgelder. Um diesem Ge-

178
samtpreis die entsprechende Güterwagenbindung gegenüberzustellen, muss diese Gü-
terwagenbindung im Status Beladung und Lastlauf betrachtet werden.

Die mittlere Länge des Status Beladung im Zeitraum t-T wurde in Gleichung 25 be-
schrieben. Die Minder-/Mehrrückgaben haben offensichtlich einen direkten Einfluss auf
die mittlere Beladedauer: Je mehr Güterwagen vor oder nach dem Ablauf der Ladefrist
durch den Kunden zurückgegeben werden, desto kürzer oder länger ist die mittlere La-
defrist bei Be-/Entladung. In Abschnitt 6 wird die o.g. These daher als Zusammenhang
zwischen der Höhe der Mehr-/Minderrückgaben und dem Gesamtpreis/Wagentag for-
muliert werden. Beide Werte können allerdings nicht in Größen des Status-Modells
formuliert werden und müssen daher in Abschnitt 6 in Größen des empirisch verfügba-
ren Zahlenmaterials operationalisiert werden.

5.4. Fazit

In Abschnitt 5 wurde ein Datenmodell entwickelt, das den Güterwageneinsatz nicht als
Zeit-Raum-Netzwerk, sondern als Folge verschiedener Phasen im Wagenumlauf (Stati)
formuliert. Die Aufteilung der einzelnen Stati erfolgt durch beobachtbare Ereignisse,
die im Produktionssystem der DB Cargo AG dokumentiert werden. Die Summe der
Wagenstati ist identisch mit dem Wagenpark im Betrachtungszeitraum. Der tägliche
Wagenbedarf wird definiert als die im Rahmen des Kundenauftrags gebundenen Wa-
genkapazitäten. Der Service-Level eines Tages entspricht dem Verhältnis nachgefragter
und tatsächlich bereitgestellter Wagenkapazitäten.

Mittels Zeitreihenanalyse können die Tagesbedarfe in Abschnitt 6 prognostiziert und

die These zu Forschungsfrage 1 beantwortet werden: „Die Abstraktion von Zeit-Raum-
Netzwerken bei der Wagenbedarfsprognose ermöglicht eine hohe Prognosegüte auf
Tagesebene. Zur Spitzenabdeckung werden überproportional mehr Wagen benötigt als
zur Grundversorgung“

Die zur Forschungsfrage 2 aufgestellte These „Das Service-Design ist der größte Hebel
zur Beeinflussung des Güterwagenbedarfs“ kann anhand zweier Größen geprüft wer-
den:
§ Des Anteils der durch die Hebelfaktoren beeinflussten Stati am Wagenbedarf
§ Des Einflusses der Hebelfaktoren auf die Stati.

179
Die Hebelfaktoren des Service-Designs sind Beförderungart, Zugfrequenz sowie die
Lagerung leerer Wagen beim Kunden. Die Hebelfaktoren der Kapazitätssteuerung sind
die Länge der zurückgelegten Leerwagen-km sowie die Preisdifferenzierung durch die
aktuelle bestehende Stückkontroll-Rechnung. Hebelfaktoren konnten nicht in jedem Fall
ausschließlich in Modellgrößen des Stati-Modells formuliert werden, so dass z.T. auf
empirisch messbare Größen wie z.B. die Länge der Leerlauftransporte zurückgegriffen
werden musste.

180
6. Testergebnisse

In Abschnitt 6 werden die zu den Forschungsfragen entwickelten Thesen aus Abschnitt

3 getestet. Nach Beschreibung der verwendeten Datenbasis (Abschnitt 6.1.) werden die
Thesen in Abschnitt 6.2. operationalisiert. In Abschnitt 6.3. wird anhand der Bestellun-
gen und Güterwagenereignisse der Tagesbedarf an Güterwagenkapazität prognostiziert.
Die Prognose des Güterwagenbedarfs ergibt, bei fixer Größe der Flotte, den Service-
Level im Betrachtungszeitraum (Forschungsfrage 1). Hierzu wird zunächst die Zeitreihe
des Güterwagenbedarfs im Zeitraum 1/95-12/02 erhoben. Anhand dieses Datensatzes
werden anschließend die Modellparameter für die Zeitreihenanalyse aus Abschnitt
5.1.3. ermittelt. Prognosewerte und Ist-Werte des Kapazitätsbedarfs werden gegenüber-
gestellt und bestimmen die Güte des prognostizierten Zusammenhangs zwischen Flot-
tengröße und Service-Level.

In Abschnitt 6.4. werden zunächst die im Abschnitt 5 modellierten Hebelfaktoren (Ser-

vice Design, Güterwagendisposition und Produkt-/Preisdifferenzierung) auf die einzel-
nen Güterwagenstati (und damit den Kapazitätsbedarf) empirisch geprüft. Anschließend
wird der Anteil der einzelnen Stati an der Gesamtnachfrage ermittelt. Der Einfluss der
Hebelfaktoren auf die Stati und deren Gewicht an der Gesamtnachfrage beantwortet
Forschungsfrage 2.

6.1. Datenquellen

In Abschnitt 6.1. werden die verschiedenen in der empirischen Studie verwendeten Da-
ten beschrieben. Wie in Abschnitt 3 beschrieben, bestehen sehr wenige empirische Ar-
beiten zum Güterwagenmanagement, welche die zeitliche Bindung einer größeren Gü-
terwagenflotte untersuchen. Eine der Gründe hierfür ist neben der kommerziellen Be-
deutung dieser Daten die z.T. unzureichende IT-Grundlage der Eisenbahnbetriebe. Im
Fall der Deutschen Bahn AG, der größten europäischen Eisenbahn, war es bis März
2002 nicht möglich, großzahlige Auswertungen der einzelnen Güterwagenbewegungen
durchzuführen. In den Jahren 2000-2001 wurde in einem IT-Projekt unter Leitung des
Autors die Datengrundlage für diese empirische Untersuchung gelegt. Neben diesen
Daten der einzelnen Güterwagenbewegungen aus dem Produktionssystem spielen noch
Daten aus zwei weiteren Systemen eine wichtige Rolle: Daten des Dispositionssystems

181
und der Güterwagenkontrolle beim Kunden. Im Abschnitt 6.1. soll kurz dargestellt wer-
den, welche Daten aus diesen Systemen für diese Arbeit herangezogen werden konnten,
und welche Auswertungsmöglichkeiten/Einschränkungen sich hieraus ergeben.

Daten des Produktionssystems

Die netzweit realisierte DV-Anwendung ProduktionsVerfahrenGüterverkehr (PVG)
ermöglicht es, den aktuellen Standort jedes Güterwagen im Netz der DB AG festzustel-
len und den Wagenlauf von der Quelle zum Ziel zu verfolgen. Das System PVG wurde
in den Jahren 1990-1995 als Nachfolgesystem für das „FahrzeugInformati-
ons/Vormeldesystem (FIV) der Deutschen Bundesbahn und der DV-Anwendung Rech-
nergestützteWagen-Überwachung (RWÜ) der Deutschen Reichsbahn entwickelt. Es
dient dem Erstellen der betrieblich relevanten Unterlagen für einen neu gebildeten Gü-
terzug (Wagenliste bzw. Bedienliste mit den sicherheitsrelevanten Wagen- und Gutart-
informationen) und dem Fertigen des Bremszettels (Nachweis Zug- und Bremslasten für
den Lokführer). Die Datenerfassung erfolgt direkt am Zug und wird durch Eisenbahner
mit betrieblichen Funktionen (z.B. Rangierleiter oder Wagenmeister) realisiert. PVG ist
in seiner Funktion ein operatives Betriebsführungssystem, mit dem die Daten aller täg-
lich netzweit verkehrenden Güterzüge und Bedienfahrten erfasst und vorgehalten wer-
den. Der Zeitpunkt der körperlichen Übergabe des Wagens an einen Kunden an der
Wagenübergabestelle wird registriert.

Auch wenn im PVG-System einzelne Wagen überwacht werden können, ermöglicht die
Benutzerschnittstelle keinerlei fahrzeugübergreifende Analyse oder den Export der
zugrundeliegenden Daten. Die in PVG registrierten Güterwagen-Meldungen werden
daher seit März 2002 täglich direkt vom zentralen Großrechner in Berlin in eine ent-
sprechend auswertbare Oracle-Datenbank eingespielt. Anhand dieses Datenpools kön-
nen grundsätzlich alle Bewegungen der Shi-Wagen ausgewertet werden. Wie in Ab-
schnitt 5.1.2. beschrieben, generiert das System 4 Basisereignisse, anhand denen alle
Stati im Güterwageneinsatz separiert werden können. Die Ereignisdaten sind definiert
durch Fahrzeugnummer, Güterverkehrsstelle, Art und Zeitpunkt (Tag/Stunde/Minute)
des Ereignisses.

Zur Veranschaulichung der Größenordnung des Problems alleine für die 4000 Wagen
umfassende Shi-Flotte: Pro Tag werden durchschnittlich ca. 2.560 Einzelereignisse zu

182
Bindungsdauern zusammengefügt. Auf das ganze Jahr hochgerechnet bedeutet dies
934.000 Einzeldatensätze über alle Güterwagenstati252. Zur Erhebung der Gesamtflotte
der DB Cargo AG (ca. 100.000 Wagen) würden entsprechend ca. 23,4 Mio. Einzeler-
eignisse kombiniert werden. Die Shi-Wagenbewegungen erfolgen zwischen 313 Ver-
sand- und 375 Empfangsgüterverkehrsstellen. Die Aggregation der Einzeldaten zu Wer-
ten für Tagesperioden ist neben den Vorteilen für die Modellierung alleine zur Bewälti-
gung dieser Datenmenge erforderlich. Wie in Abschnitt 3.2. beschrieben, ist eine sto-
chastische Programmierung für ein Problem dieser Größenordnung keine
erstrebenswerte Lösung.

Daten des Dispositionssystems (LWM)

In Abschnitt 4.3. wurde das heute verwendete Leerwagen-Dispositionsverfahren darge-
stellt. Seit Juli 1991 erfolgt die systemseitige Unterstützung dieses Prozesses durch das
System LWM (LeerWagenManagement). Die Bestellungen der Kunden werden ebenso
wie die Güterwagenbestände für Gruppen von Güterverkehrsstellen (sogenannte
Dispostellen) aggregiert ermittelt. Dies erfolgt per Telefon und Fax durch die Service-
Teams des KundenServiceZentrums (KSZ) der DB Cargo AG in Duisburg. Aus der
Statistik des LWM-Systems werden die in Tabelle 18 dargestellten Informationen zur
Verfügung gestellt:
LWM-Informationen Beschreibung
Erstbedarf Zahl der am Tag 0 bis 11 Uhr beim KSZ für den Folgetag (Tag 1) bestellten
Wagen
Verfügbarer Bestand Beim Kunden stehende Wagen, die für den Bestelltag in Frage kommen,
d.h. entweder bereits leer sind oder absehbar leer werden.
Nicht rechtzeitig gestellte Anzahl der Wagen, die im Erstbedarf für den Tag 1 bestellt wurden, aller-
Wagen. dings nicht an diesem Tag gestellt wurden
Gesamt-Bedarf Erstbedarf zzgl. der Wagen, die dem Kunden am Tag 1 nicht fristgerecht
gestellt werden konnten, aber am Tag 2 gestellt wurden
Nachverfügte Wagen Wagen, die nicht im Rahmen der computerberechneten Gesamtoptimierung
verfügt werden, sondern manuelle/ad hoc nach Abschluss des täglichen
Optimierungslaufs
Nicht verfügte Wagen Wagen, die am Tag 0 nicht verfügt werden, d.h. leer stehen bleiben
Nicht verfügte Wagen, Wagen, die am Tag 0 nicht verfügt werden können, da sie aus betrieblichen
davon gebunden Gründen nicht einsetzbar sind
Tabelle 15: Daten aus dem Leerwagenmanagement (LWM)253

252
Hochrechnung der PVG-Werte vom 20.9.-6.10.2002.
253
Quelle: Eigene Darstellung

183
Die pro Monat kumulierten Zahlen liegen dieser Arbeit ab dem Monat 1/1995 zugrunde.
Der Nachteil der LWM-Datenbasis besteht darin, dass sie über zahlreiche Güterver-
kehrsstellen/Kunden aggregierte Zahlen generiert (auf Ebene sogenannter „Dispositi-
ons-stellen“). Daher sind auf Basis der LWM-Daten keine kundenbezogenen Gegen-
überstellungen der Güterwagenbewegungen mit den Tageswerten der Bestellungen und
Gestellung möglich. Aus diesem Grund wurden ab März 2002 für die größten 8 Ver-
sandstandorte der Shi-Flotte täglich die Bedarfe, nicht rechtzeitig gestellte Wagen sowie
die Werksbestände um 6 Uhr morgens manuell erhoben. Die 8 Versandstandorte decken
zusammen über 80 % der Güterwagenbestellungen für Shi-Wagen ab. Es kann daher
davon ausgegangen werden, dass die Erhebung eine repräsentative Stichprobe der
Grundgesamtheit aller Wagenbestellungen darstellt. Insgesamt steht daher sowohl für
die Gesamtflotte an Shi-Wagen als auch für die größten Kunden die Zahl der bestellten
und gestellten Wagen inklusive deren zeitlichen Bindung in Tageswerten ab März/2003
zur Verfügung. Monatswerte der Bestellungen und Ausfälle stehen für die Gesamtflotte
ab 1/95 zur Verfügung.

Daten der Güterwagen-Überwachung beim Kunden (Stückkontrolle)

Die Disposition der Güterwagen bedingt eine Überwachung der Wagen beim Kunden.
Diese Überwachung erfolgt im Fall der Shi-Wagen bei den großen Stahlwerken nicht
nummerngenau, sondern je Gattung als Summe. Es wird also keine Unterscheidung
gemacht, welcher individuelle Güterwagen gestellt oder zurückgegeben wurde; es wird
stets nur die Zahl der gestellten/abgeholten Wagen betrachtet. Dieses Verfahren (vgl.
Abschnitt 4.2.) wird Stückkontrollverfahren genannt; es beantwortet grob folgende Fra-
gen:
- Wie viele Wagen sind im Kundenanschluss vorhanden?
- Wie viele davon sind leer und können für eine der Bestellungen verwendet wer-
den?
- Wurde die Ladefrist überschritten, und wenn ja, wie viel Standgeld ist dem
Kunden in Rechnung zu stellen?
Die Stückkontrolle wird durch Mitarbeiter des KSZ in Duisburg anhand von Produkti-
onsdaten (PVG) geführt. Tabelle 19 zeigt die für diese Arbeit wichtigen Informationen,
welche die Stückkontrolle bereitstellt.

184
Stückkontroll-Angaben Beschreibung
Dem Kunden gestellte Wagen Wageneingang eines Tages, separiert nach beladenem/leerem Eingang
Vom Kunden abgeholte Wagen Wagenausgang eines Tages, separiert nach beladenem/leerem Eingang
Bestand beim Kunden Summe Güterwagenbestand beim Kunden, gemessen um 6 Uhr morgens
Bestand über den Bedarf hinaus Bestand leerer Güterwagen (Tageswerte), die dem Kunden ohne Bestel-
gestellter Wagen (leer) lung gestellt wurden
Minderrückgaben*) Zahl an Güterwagen, deren Be-/Entladefrist überschritten wurde, die aber
noch nicht zurückgegeben wurden
Mehrrückgaben*) Zahl an Güterwagen, die vor dem Ende der Be-/Entladefrist zurückgege-
ben wurden
*) Jeweils als Tagessaldo der Wagengattung; es bestehen an fast jedem Tag entweder Minder- oder Mehrrückgaben.

Tabelle 16: Daten der Güterwagenstückkontrolle (Überwachung der Wagen beim Kun-
den)254

Da die Kontrolle nicht systemgestützt erfolgt, sind Auswertungen über alle Versand-
/Empfangsstandorte der Shi-Flotte nicht realisierbar. Für die o.g. größten 8 Standorte
wurde im Rahmen dieser Arbeit jedoch eine Auswertung über mehrere Monate durch-
geführt, die uns eine repräsentative Stichprobe der Grundgesamtheit liefert.

Daten der Rohstahlproduktion

Wie im Abschnitt 4 beschrieben, hängt die Nachfrage nach Schienentransport von
Stahlprodukten stark von der Rohstahlproduktion in Deutschland ab. Aus diesem Grund
wurde anhand der Statistischen Jahrbücher der Wirtschaftsvereinigung Stahl (WVS) die
monatliche Stahlproduktion ab Januar 1995 erhoben. Diese monatliche Stahlproduktion
gibt zum einen die Möglichkeit, den Konjunkturzyklus der Stahlindustrie abzubilden.
Andererseits dient sie als Kontrollgröße zur Ermittlung von Strukturbrüchen in der
Nachfrage nach Güterwagen.

Die Datenquellen und deren Verwendungen in der empirischen Studie können kurz wie
folgt zusammengefasst werden:
- Produktionssystem (PVG): Ereignis-Daten der Shi-Flotte für das Stati-Modell.
- Dispositions-Software (LWM): Standortübergreifende Daten zu Bestellung und Ge-
stellung von Güterwagen.
- Stückkontrolle: Standortbezogene Daten zum Wagenbestand beim Kunden, zur Über-
/Unterschreitung der Ladefristen sowie der Pufferung von Wagen beim Kunden.

254
Quelle: Eigene Darstellung

185
- Rohstahlproduktion: Daten zum Langfrist-Transportaufkommen an Coils.

6.2. Operationalisierung der Thesen

6.2.1. Thesen zu Forschungsfrage 1

Anhand der in Abschnitt 5 erfolgten Definitionen von Güterwagenbedarf und Service-
Level können die Thesen zu Forschungsfrage 1 konkretisiert werden:
- Die Abstraktion von Zeit-Raum-Netzwerken bei der Wagenbedarfsprognose ermög-
licht eine hohe Prognosegüte auf Tagesebene: Anhand des in Abschnitt 5.2.2. zu
entwickelnden Zeitreihenmodells soll der tägliche Güterwagenbedarf (X+X’) prog-
nostiziert werden. Obwohl es keinen absoluten Schwellenwert für die Prognosegüte
gibt, soll eine Eignung zur Prognose dann vorausgesetzt werden, wenn das Prognose-
modell in der Lage ist, mindestens 80 % der Bedarfsschwankungen zu erklären. An-
hand des Korrelationskoeffizienten nach Bravais-Pearson kann dieser Anteil bestimmt
werden. Am Beispiel des prognostizierten Tagesbedarf x (Mittelwert x ) und der em-
pirisch gemessenen Ist-Werte y (Mittelwert y ) ergibt sich der Korrelationskoeffizient
als:

å (x i - x ) ( yi - y )
r= I =1
; -1 £ r £ 1 (28)
n n

å (x
I =1
i - x) 2
å( y
I =1
i - y) 2

Gleichung 28 entspricht dem oben beschriebenen Bravais-Pearson-Korrelations-

koeffizienten. Je größer der absolute Wert des Korrelationskoeffizienten ist, um so
stärker ist der gemessene Zusammenhang zwischen den Größen x und y. Für r = 0
sind die beiden Größen unkorreliert, bei r > 0 bzw. r <0 sind sie positiv bzw. negativ
korreliert. Im weiteren Verlauf dieser Arbeit wird der Korrelationskoeffizient nach
Bravais-Pearson nur als „Korrelationskoeffizient“ bezeichnet.
- Zur Spitzenabdeckung werden überproportional mehr Wagen benötigt als zur
Grundversorgung. Wie in Abschnitt 3 operationalisiert bedeutet dies: Zur Erhöhung
des Service-Levels von 85 % auf 99 % werden über 17 % Zusatzkapazitäten benötigt.
Die Annahme ist, dass der Güterwagenbedarf durch temporäre Spitzen gekennzeich-
net ist. Damit der Service-Level von 85 % auf 99 % angehoben werden kann, sind

186
 deswegen überproportionale Wagenkapazitäten vorzuhalten. In Bedarfsgrößen ausge-
drückt: Der Gesamtbedarf (X + X’), der nur in 1 % der Tage überschritten wird, liegt
um mehr als 17 % über dem Bedarfswert, der in 15 % der Fälle überschritten wird.
- Die Bedarfe schwanken tageweise stärker als wöchentlich: Werden aus den Tages-
werten des Güterwagenbedarfs Wochenmittel berechnet, so ist die Standardabwei-
chung dieser Wochenmittel geringer als die der Tageswerte.
- Bestellungen sind z.T. größer als der tatsächliche Güterwagenbedarf: Diese These
kann nur z.T. über die Modellgrößen des Stati-Modells formuliert werden. Die Zahl
der täglich von den Kunden abgegebenen Güterwagenbestellungen liegt im Betrach-

tungszeitraum über der Zahl der Lastläufe je Tag: â tLastlauf . Um eine Vermischung
mit beladenem Eingang aus dem Ausland zu vermeiden, sollten nur Bestellungen und
beladener Versand der größten 8 Versandstandorte betrachtet werden.
- Die zeitliche Bindung der Güterwagen durch den Kunden schwankt stark: Die Bin-
dung direkt durch den Kunden ist durch die Stati Beladung sowie Entla-
dung/Wiederbeladung gegeben. Die mittlere Länge der Ereignispaare im Status Bela-
dung (und analog für den Status Entladung/Wiederbeladung) im Zeitraum t-T lässt
E T
æ ö
sich wie folgt darstellen: æ ö
å å ççè AB e +1
t+x
- ELe ÷÷
t ø
çç ABe +1 - ELe ÷÷ = e
T
t

è ø
å ( aˆ
+
)
t x t Beladung
t
t

(29)
- In Gleichung 29 ergibt sich die mittlere Beladedauer im Zeitraum t-T als Summe der
Beladedauern, geteilt durch die Zahl der begonnenen Beladevorgänge (a). Mit diesem
Wert lässt sich in Gleichung 30 die Standardabweichung der Wagenbindung im Sta-
tus Beladung formulieren:
2
E
ææ ö æ öö
å çç çç ABe +1 - ELe ÷÷ - çç ABe +1 - ELe ÷÷ ÷÷
è ø è øø
e è t + x t t + x t
> 0. (30)
E

Der These 3 zur Forschungsfrage 1 unterliegt die Annahme, dass diese Standardab-
weichung in Verhältnis zur mittleren Bindung signifikant groß ist. Ein Schwellenwert
für diese Größe als statistischer Test ist hierzu allerdings nicht sinnvoll festzulegen.
Dies gilt ebenfalls für die darauf aufbauende These: Die flexible Nutzung von Wagen-
kapazitäten puffert interne Prozesse der Verlader und stellt ein wichtiges Leistungs-
kriterium der Eisenbahn dar. Daher wird lediglich das Ausmaß der Bindungsschwan-
kung ermittelt und ins Verhältnis zum Gesamtbedarf gestellt.

187
- Kausalmodelle eignen sich weniger zur Prognose als Zeitreihenmodelle: Kausalmo-
delle in der Literatur können aufgrund der Inputgrößen (im Fall der Shi-Flotte die
Stahlproduktion) keine Bedarfsschwankung auf Tagesebene abbilden. Eine geringere
Eignung dieser Modelle wird im Fall der Shi-Flotte unterstellt, wenn das o.g. Zeitrei-
henmodell einen größeren Anteil der täglichen Bedarfsschwankungen erklärt als die
Monats- oder Wochenmittel der Ist- Bedarfe. Messgröße ist hierbei der Korrelations-
koeffizient. Selbst bei vollständiger Erklärung der Monats- oder Wochenwerte würde
ein Kausalmodell in diesem Fall einen geringere Erklärungswert für die Abbildung
des Kapazitätsbedarfes besitzen. Denn der Kapazitätsbedarf wird stärker von (tägli-
che) Bedarfsspitzen bestimmt als von Wochen- oder Monatsmittel.
- Kapazitätsermittlung mit Schwankungen in der Güterwagenbindung liefert genaue-
re Bedarfsprognosen als mit konstanter Bindungsdauer je bestelltem Güterwagen:
Die der Zeitreihenanalyse zugrundeliegende Bedarfsentwicklung bildet Schwankun-
gen in der Bindungsdauer je bestelltem/transportiertem Wagen ab. Die dieser These
unterliegende Annahme ist, dass ohne Modellierung dieser Schwankungen das Zeit-
reihenmodell einen geringeren Erklärungswert besitzt als mit Schwankungen. Der
Korrelationskoeffizient kann daher auch hier als Messgröße verwendet werden.

Die zur Forschungsfrage 1 aufgestellten Thesen lassen sich daher anhand des Stati-
Modells bis auf eine Ausnahme operationalisieren. Die beiden Hauptthesen sind:
- Das Zeitreihenmodell hat eine hohe Prognosegüte (> 80 % der Wagenbedarfe können
prognostiziert werden).
- Die Wagenkapazitäten müssen zur Anhebung des Service-Levels von 85 % auf 99 %
der Tagesbedarfe um über 17 % (also überproportional) erhöht werden.

Die Unterthesen zur Forschungsfrage 1 können bis auf zwei Fälle in messbare Modell-
größen übersetzt werden. Tabelle 14 zeigt die Operationalisierung der Thesen, die in
Abschnitt 6.2. getestet wird.

188
These qualitativ Wie wird die These getestet? Was ist der Prognosewert?
Abstraktion von Zeit-Raum-Netzwerken Korrelationskoeffizient von prognostizier- > 80 %
ermöglich hohe Prognosegüte auf Tagesebene tem/gemessenen Güterwagenbedarf/Tag
Zur Spitzenabdeckung werden überproportio- Zusatzbedarf an Wagenkapazitäten (in %) zur Stei- > 17 %
nal mehr Wagen benötigt als zur Grundver- gerung des Service-Levels von 85 % auf 99 %
sorgung
Die Wagenbedarfe schwanken tageweise Standardabweichung der Tagesbedarfe, geteilt > 1
stärker als wöchentlich durch die Standardabweichung der Wochenmittel
Bestellungen sind z.T. größer als d. tatsächli- Mittelwert der Bestellungen/Mittelwert des belade- > 1
che Güterwagenbedarf nen Ausgangs für die 8 größten Versandstandorte
Die zeitliche Bindung der Güterwagen durch Standardabweichung der mittleren Bindung je Sta- *)
den Kunden schwankt stark. tus (in % des Mittelwerts)
Kausalmodelle eignen sich weniger zur Prog- Verhältnis des Korrelations-koeffizienten (Progno- > 1
nose als Zeitreihenmodelle se-/Ist-Bedarf an Güterwagen) des Zeitreihenmo-
dells vs. der Monats-/Wochenmittel des Wagenbe-
darfs
Kapazitätsermittlung mit Schwankungen in Verhältnis des Korrelations-koeffizienten (Progno- > 1
der Güterwagenbindung ist genauer als mit se-/Ist-Bedarf an Güterwagen) bei schwankender
konstanter Bindungsdauer vs. konstanter Bindung
*) Hier ist kein sinnvoller Maßstab möglich (s.o.)

Tabelle 17: Operationalisierte Thesen zur Forschungsfrage 1255

Bezüglich der Schwankung der Bindungsdauer und der Eignung von Kausalmodellen
konnten in Abschnitt 3 lediglich Tendenzaussagen aufgestellt werden. Hierzu einen
fixen Wert als These aufzustellen, wäre nicht sinnvoll. Allerdings kann das Ausmaß der
Bindungs-Schwankung bzw. die Prognosegüte gemessen werden. Gar keine Quantifi-
zierung ist letztlich möglich für die Bedeutung der Wagenversorgung für die Stahlin-
dustrie: Die flexible Nutzung von Wagenkapazitäten puffert interne Prozesse der Verla-
der und stellt eine wichtiges Leistungskriterium der Eisenbahn dar. Die Positionspapie-
re der WVS (vgl. Abschnitt 4) und die Schwankungen der Wagenbindung im Kunden-
anschluss (Status Beladung und Entladung/Wiederbeladung) müssen hier ausreichen,
die These zu unterstützen oder abzulehnen.

6.2.2. Thesen zu Forschungsfrage 2

Die These zur Forschungsfrage 2 lautet: Das Service-Design ist der größte Hebel zur
Beeinflussung des Güterwagenbedarfs. Sie stellt einen Vergleich zwischen den Hebel-

189
faktoren bzgl. der Wirkung auf den Wagenbedarf her. Anhand der in Abschnitt 5 erfolg-
ten Definitionen der einzelnen Bestandteile des Güterwagenbedarfs kann diese These
konkretisiert werden. In dieser Arbeit wird nicht die optimale Konstellation der Hebel-
faktoren, sondern lediglich deren Wirkung betrachtet. Die Wirkung ergibt sich daher
aus dem Anteil der durch den Hebelfaktor beeinflussten Stati am Wagenbedarf, multip-
liziert mit der Messgröße für den Zusammenhang. Ein fiktives Beispiel der Hebelfakto-
ren Disposition und Beförderungsart soll dies erläutern (Tabelle 17):

Hebelfaktor Beeinflusster Anteil an Hebelfaktor erklärt Gesamtgewicht des

Status Wagen- wie viel % d. Anteils Hebelfaktors am
bedarf am Wagenbedarf? Wagenbedarf
Disposition Leerlauf 25 % 5% 1,25 %
Beförderungsart Last-/Leerlauf 50 % 10 % 5,00 %
Tabelle 18: Beispielrechnung zum Gesamtgewicht der Hebelfaktoren (fiktive Zahlen)256

Der Hebelfaktor Beförderungsart hat in diesem Fall einen größeren Einfluss auf den
Güterwagenbedarf als der Hebelfaktor Disposition. Dies liegt erstens daran, dass die
durch die Beförderungsart beeinflussten Güterwagenstati Last- und Leerlauf einen grö-
ßeren Anteil am Güterwagenbedarf ausmachen (50 %) als der durch die Disposition
beeinflusste Status Leerlauf (25 %). Zweitens erklären die Variantionen in der Beförde-
rungsart einen größeren Anteil der Variationen der betroffenen Stati (10 %) als die Dis-
position (5 %). Gewichtet man diese Hebelwirkung mit dem Anteil der betroffenen Stati
am Gesamtbedarf, so ist der Einfluss der Beförderungsart mit 5 % des Wagenbedarfs
größer als der der Disposition mit 1,5 % des Wagenbedarfs. Durch dieser Gewichtung
können die Hebelfaktoren verglichen werden, so dass Forschungsfrage 2 beantwortet
werden kann.

Im weiteren Verlauf werden jetzt die Messgrößen für den Einfluss der Hebelfaktoren
auf die betroffenen Stati operationalisiert werden.
- Der Güterwagenbedarf ist um so höher je höher der Anteil an Einzelwagenverkeh-
ren ist: Die Beförderungsart (Einzelwagen oder Ganzzug) eines Leer- oder Lasttrans-
portes übt auf die durchschnittliche Transportdauer einen signifikanten Einfluss aus.
Gleichung 23 beschreibt die durchschnittliche Transportdauer. Die These wird geprüft
anhand des Einflusses der Beförderungsart einzelner Transporte auf deren Transport-

255
Quelle: Eigene Darstellung

190
 dauer. Als Messgröße für den Einfluss kann der bereits genannte Korrelationskoeffi-
zient verwendet werden. Die These unterstellt, dass eine signifikante positive Korrela-
tion zwischen dem Einzelwagenanteil und der Transportdauer besteht, ohne dass ein
absoluten Schwellenwert inhaltlich angebracht wäre.
- Der Güterwagenbedarf ist um so höher je länger die Pause zwischen Bedienfahrten
ist: Die Zahl der an einem Tag von und zu einem Kunden verkehrenden Züge (gemes-
sen über die Zahl der Transporte, â tLastlauf und â tLeerlauf ) übt einen signifikanten Ein-
fluss auf die mittlere Bindungsdauer der zu diesem Zeitpunkt dort befindlichen Wa-
gen (Gleichung 24) aus. Auch hier kann die Stärke des Zusammenhangs über den
Korrelationskoeffizient gemessen werden. Die These unterstellt eine signifikante posi-
tive Korrelation zwischen der Zugzahl und der mittleren Be-/Entladedauer der Wagen.
- Der Güterwagenbedarf ist um so höher je eher die Wagen beim Kunden gelagert
werden: Die Anzahl der beim Kunden über den Bedarf hinaus abgestellten Wagen übt
einen positiven Einfluss auf die Beladedauer beim Kunden aus. Dies kann auf zwei
Wegen operationalisiert werden, allerdings ohne sinnvollen Schwellenwert zur Prü-
fung der These:
o Der Anteil der beim Kunden gepufferten Wagen am Gesamtbestand der Wagen
beim Kunden ist signifikant bzw.
o der Anteil der daraus resultierenden Wagenbindung am Status Beladung ist signi-
fikant.

- Die Disposition zur Leerlaufminimierung alleine stellt einen geringen Hebel auf die
beeinflussten Güterwagenstati dar: Der Einfluss der Entfernung einer Relation auf
die mittlere Bindungsdauer im Status Leerlauf auf dieser Relation (Gleichung 23) ist
nicht signifikant. Messgröße für den Zusammenhang ist wiederum der Korrelations-
koeffizient.
- Der Dispositionsprozess wird aufgrund des täglichen Soll-/Ist-Abgleichs im Be-
stand leerer Wagen beim Kunden eher durch Lagerhaltungsmodelle wiederge-
geben als durch Modelle zur Leerlaufminimierung: Die These besagt, dass der An-
teil bereits beim Kunden befindlicher Wagen („Lager“) und der rechnergestützt zuge-
fahrener Wagen (Non-User-Compliance) an der täglichen Leerwagenversorgung groß
ist. Eine kritische Grenze zur Ablehnung/Annahme der These kann nicht festgelegt
werden. Die Operationalisierung des Wagenlagers erfolgt durch die Stückkontrolle

256
Quelle: Eigene Darstellung; fiktive Zahlen

191
 („über den Bedarf hinaus gestellte Wagen“). Die Operationalisierung der Non-User-
Compliance erfolgt über die Dispositions-Statistik („nachverfügte Wagen“).
- Die Produkt- und Preisdifferenzierung mit Standgeld alleine stellt einen geringen
Hebel auf die beeinflussten Güterwagenstati dar. Die der These zugrundeliegende
Annahme ist, dass die schwankenden Be-/Entladedauern den Gesamtpreis signifikant
beeinflussen. Die schwankenden Be-/Entladedauern werden anhand der Stückkontrol-
le operationalisiert (Anzahl der „Mehr-/Minderrückgaben“ pro Tag). Der Gesamtpreis
ergibt sich als Summe von Transportpreis und ggfs. anfallenden Standgeldern. Die
These besagt, dass der Zusammenhang nicht signifikant ist.

Wie für einige der Thesen zu Forschungsfrage 1 gilt auch für die Thesen zu For-
schungsfrage 2: Die in Abschnitt 3 anhand der relevanten Literatur aufgestellten Thesen
lassen sich nicht vollständig quantifizieren. Tendenzaussagen zur Richtung und Stärke
des Zusammenhangs sind allerdings möglich und werden in Tabelle 16 dargestellt.

Eine der Unterthesen zur Disposition kann allerdings nicht als These zu einem Kausal-
zusammenhang dargestellt werden: Der Dispositionsprozess wird aufgrund des tägli-
chen Soll-/Ist-Abgleichs im Bestand leerer Wagen beim Kunden eher durch Lagerhal-
tungsmodelle wiedergegeben als durch Modelle zur Leerlaufminimierung. In diesem
Fall (s.o.) wird lediglich angenommen, dass der Anteil der Wagenvorräte beim Kunden
und der nicht rechnergestützten Verfügung an der Gesamtversorgung des Kunden hoch
ist. Es wäre nicht sinnvoll, hier einen kritischen Anteil mit der These zu verbinden.

192
Hebel- ... auf Messgröße f. Messgröße Messgröße des Zusammenhangs und
faktor... Status Hebelfaktor f. Hebelwirkung Wirkungsweise
Beförde- Lastlauf, Beförderungs- Bindungsdauer Korrelationskoeffizient;
rungsart Leerlauf Art (EW/Gag) Last-/Leerlauf je Stark positiv: EW-Transporte mit signifi-
Sendung kant längerer Bindungsdauer
Zug- Beladung, Züge pro Tag Mittlere Bin- Korrelationskoeffizient; Stark negativ: Je
frequenz Entladung/ dungsdauer der weniger Züge, desto längere Bindungs-
Wiederbel. Wagen b. Kunden dauer
Lagerung Beladung Wagen über Mittlere Bin- Stark positiv: gepufferte Wagen haben
beim Bedarf beim dungsdauer der einen signifikanten Anteil an der mittleren
Kunden Kunden Wagen b. Kunden Bindungsdauer b. Kunden*)
Disposition Leerlauf Transport- Bindungsdauer im Korrelationskoeffizient; Kein signifikan-
entfernung Leerlauf ter Zusammenhang
Produkt- Beladung, Minder- Gesamtpreis Korrelationskoeffizient; Kein signifikan-
/Preis- Entladung/ /Mehrrückgabe (Transport und ter Zusammenhang.
Differen- Wiederbel. n beim Kunden Standgeld) pro
zierung Wagentag**)
*) Es wird lediglich das Auftreten des Effektes im Rahmen der Studie untersucht.
**) Es wird ein Zusammenhang zwischen Gesamtpreis und Güterwagenbindung beim Kunden unterstellt.

Tabelle 19: Thesen zu den einzelnen Hebelfaktoren auf den Güterwagenbedarf257

6.3. Kapazitätsbedarf je Service-Level (Forschungsfrage 1)

In Abschnitt 6.2. werden die Testergebnisse zu Forschungsfrage 1 dargestellt.

- Abschnitt 6.2.1.: Zunächst wird beschrieben, wie die Modellparameter der Bedarfs-
prognose aus dem empirischen Datenmaterial bestimmt wurden.
- Abschnitt 6.2.2.: Anschließend werden anhand der prognostizierten Güterwagenbe-
darfe die in Abschnitt 3 aufgestellten Thesen zu Forschungsfrage 1 geprüft.

6.3.1. Ermittlung der Modell-Parameter

Zur Prognose des Güterwagenbedarfs werden zunächst die Modellparameter des Zeit-
reihenmodells aus Abschnitt 5.2. ermittelt. Da die hierfür notwendige lange Zeitreihe
nur eingeschränkt vorliegt, erfolgt dies in einem separaten Schritt zur Erläuterung der
Hilfskonstruktionen.

257
Quelle: Eigene Darstellung

193
Die glatte Komponente: Ermittlung von Trend- und Zyklus-Komponente
Da im Untersuchungszeitraum keine nennenswerte Neubeschaffung in Shi-Wagen
durchgeführt wurden, ist insoweit kein Strukturbruch in der Zeitreihe des Güterwagen-
bedarfs anzunehmen. Es bestehen zwei Möglichkeiten zur Trendbestimmung: Erstens
der Regressionsansatz mittels der Methode der kleinsten Quadrate und zweitens die
Berechnung eines gleitenden Durchschnitts. In dieser Arbeit wurde hierfür die Methode
der kleinsten Quadrate eingesetzt.

Grundsätzlich muss für die Zeitreihenanalyse eine lange Reihe von Beobachtungswer-
ten gleicher Messmethode und Einheit vorliegen. In unserem Fall liegen die Tageswerte
der nachfragebedingten Güterwagenbindung lediglich ab März 2002 vor. Aus diesem
Grund muss entweder eine Ersatzgröße zur Berechnung der glatten Komponente heran-
gezogen werden, oder aber auf die Modellierung dieser Komponente verzichtet werden.

Als Ersatzgröße im Rahmen dieser Arbeit kann die Zahl der Bestellungen herangezogen
werden. Da sowohl die erfüllten Bestellungen als auch die Ausfälle über einen langen
Zeitraum vorliegen, kann die Zahl der Lastläufe hinreichend genau geschätzt werden.
Die Größe der Güterwagenflotte ist über den Zeitraum 1/1995-12/2002 konstant geblie-
ben, so dass von einer konstanten Kapazität an Güterwagentagen ausgegangen werden
kann. Unter der Annahme, dass keine Strukturbrüche zwischen 1/95 und 12/02 vorlie-
gen, kann die Zahl der Lastläufe umgerechnet werden in nachfragebedingte Güterwa-
genbindung. Es muss allerdings ein Verhältnis zwischen Wagenbestellungen und Gü-
terwagenbindung gefunden werden, das es ermöglicht, die Monatsbestellungen in die
mittlere nachfragebedingte Güterwagenbindung je Kalendertag des Monats umzurech-
nen.

Der Zeitraum, für den sowohl die mittlere nachfragebedingte Güterwagenbindung je

Kalendertag des Monats als auch die Bestellungen je Kalendertag vorliegen, ist April
2002 – Dezember 2002. Dieser Abschnitt kann also als „Eichmass“ dienen. Der Haupt-
nachteil dieser Behelfslösung besteht darin, dass die glatte Komponente nur in Monats-
werten anstelle von Tages- oder Wochenwerten vorliegt. Zur Berechnung des Saison-
verlaufs von Wochen- oder Tageswerten können daher weiterhin nur die Tagesdaten ab
April 2002 eingesetzt werden. Zur Berechnung der glatten Komponente wird der glei-
tende 12-Monats-Durchschnitt eingesetzt:

194
 1 é1 1 t +5
ù
yti =
*
ê
12 ë 2
xt -6 +
2
xt +6 + å xt ú
t =t -5 û
(31)

Gleichung 31 ersetzt als Behelfslösung die ursprünglich vorgesehenen Gleichungen 18

und 19.

Die Saison-Komponente: Ermittlung des unterjährigen Saisonverlauf

Wie oben beschrieben, besteht kein mehrjähriger Datensatz, der es uns ermöglicht, eine
Zeitreihe von Tages- oder Wochenwerten der nachfragebedingten Wagenbindung zu
analysieren. Dies schränkt auch die Möglichkeiten zur Bestimmung des unterjährigen
Saisonverlaufs ein. Entweder die Monatswerte der Güterwagenbestellungen werden auf
Tages- und Wochenwerte heruntergebrochen, oder die Erhebung der Saisonkomponente
muss entfallen. Abbildung 24 zeigt die realisierten Bestellungen als Abweichung von
der glatten Monatskomponente für den Zeitraum 1/95-12/02.
Mittlere realisierte Nachfrage im Monatsmittel
als Abweichung von der glatten Monats-Komponente
2000

1500

1000

500

0 1 2 3 4 5 6 7 8 9 10 11 12

-500

-1000

-1500 Monatswerte 1/95-12/02, gegliedert im Saisonverlauf

Abbildung 24: Saisonkomponente anhand der monatlichen Bestellzahlen 1/95-12/02258

Während grundsätzlich ein Jahresverlauf erkennbar ist, schwanken die um Trend- und
Konjunkturkomponente bereinigten Monatswerte der Bestellungen erheblich um die
glatte Komponente. Die absoluten Werte weichen je nach Monat um 35-95 % von der
glatten Komponente ab. Der Erklärungswert einer Jahres-Saisonkurve wäre daher ein-
geschränkt.

258
Quelle: Eigene Darstellung

195
Die Monats- und Wochenwerte des Wagenbedarfs durchlaufen demgegenüber nur ge-
ringe Schwankungen. Die Monatswerte der nachfragebedingten Güterwagenbindung
schwanken um durchschnittlich 6 % des Gesamtdurchschnitts im Zeitraum April 02-
Februar 03. Die Wochenmittel der realisierten Güterwagenbindung schwanken ca. 2 %
um die Monatsmittel im Zeitraum April 02/Februar 03. D.h., würde die über mehrere
Jahre ermittelte Saisonkomponente die um die glatte Komponente bereinigten Monats-
werte der Güterwagenbindung weitestgehend erklären, so wäre ein Herunterbrechen
von Monats- auf Wochenwerte durchaus sinnvoll. Angesichts der wenig aussagekräfti-
gen Saisonkomponente ist eine Separierung des Prognosemodells in eine Langfrist- und
eine Kurzfrist-Prognose allerdings sinnvoller als ein wenig aussagekräftiges Gesamt-
modell.

Der Sinn einer Aufteilung in Langfrist- und Kurzfrist-Prognose hängt auch davon ab,
für welche Zeiträume im Güterwagenmanagement prognostiziert wird. Die Aufgaben
des Güterwagenmanagements teilen sich in die in Abschnitt 1 und 3 genannten Kern-
prozesse Prognose, Kapazitätsableitung und –steuerung auf. Die Bedarfsprognose und
Kapazitätsableitung für eine Güterwagenflotte erfolgt für Zeiträume von mindestens
einem Jahr, bei Investitionen für bis zu 20 Jahre. Aufgrund der erheblichen zeitlichen
Vorläufe für Anmietung und Beschaffung von Spezialwagen wie den Shi und der lan-
gen Lebensdauer der Wagen ist eine Prognose für einzelne Tage/Wochen hierfür nicht
erstrebenswert, solange die zu erwartende langfristige Nachfrageverteilung (Häufigkeit
von Spitzenbedarfen) bekannt ist. Die glatte Komponente des Güterwagenbedarfs sollte
daher, zusammen mit der Analyse der Schwankungsbreiten auf Tagesebene, bereits aus-
reichen für die Kapazitätsableitung.

Für die Kapazitätssteuerung (und zur Prognose der Nachfragespitzen) hingegen sind
Prognosen von über einer Woche nur dann sinnvoll, wenn sie entweder starke Schwan-
kungen der Gesamtnachfrage oder strukturelle Veränderungen in der räumlichen Nach-
fragestruktur beinhalten. Wie oben beschrieben, schwanken die Wochenwerte um nur
ca. 6 % im beobachteten Zeitraum, so dass eine Kurzfrist-Prognose für die kommende
Woche auf Tagesbasis ausreichend erscheint. Diese Kurzfristprognose wird auch ver-
wendet, um die Tagesspitzen im Güterwagenbedarf zu prognostizieren. Zur Kurzfrist-
Prognose wird daher anhand eines gleitenden 7-Tage-Mittels (äquivalent Saisonkurve
auf Wochenbasis) und des Wochen-Zyklus eine Prognose der folgenden 7 Tage erstellt.

196
 1 é1 1 t -4
ù
St* = ê
7 ë2
xt -10 +
2
xt -3 + å xt ú
t = t -9 û
(32)

Gleichung 32 ersetzt als „Saisonverlauf auf Wochenbasis“ damit als Behelfslösung die
ursprünglich hierfür vorgesehene Gleichung 21 des Komponentenmodells.

Die Wochen-Komponente: Ermittlung des Tagesverlauf pro Woche

Zur Ermittlung von Saisonfiguren für die Wochenschwankung wird eine Indexmethode
verwendet259. Sie ist für Zeitreihen geeignet, in denen die saisonale Komponente stark
ausgeprägt und relativ stabil ist. Dies scheint angesichts sehr gleichmäßiger Wochenver-
läufe des Wagenbedarfs gegeben. Einzelnen zu prognostizierenden Zeitreihenwerten
(Tagen) werden Indexziffern zugeordnet, welche die Abweichung vom Wochenmittel
der Zeitwerte beschreiben. Diese o.g. Modellierung der Wochenschwankungen mittels
Sinus-/Cosinus-Kurven entspricht diesem Indexverfahren, da gleiche Wochentage stets
auch gleiche Abweichungen vom Wochenmittel zugeordnet werden. Die Latitude der
Kurven wird dabei auf eine Woche gesetzt, die Amplitude auf die durchschnittliche
Tiefst- und Höchst-Stände der Wochenschwankungen im Zeitraum April 02 – Februar
03. Da der Wochenverlauf der modellierten Sinuskurve weitestgehend entspricht, kann
der Parameter der Cosinus-Kurve, g, auf null gesetzt werden, was die Parameterbestim-
mung erleichtert.
[7 / 2 ] [7 / 2 ]
Wt = å S jt =
j =1
å (g
j =1
j cos l j t + s j sin l j t )+ w t (33)

2pj 7
mit lj = , j = 1,2, K , , s j = 110, g =0
7 2
Gleichung 33 entspricht Gleichung 22, wobei die Periodenlänge mit 7 Tagen festgesetzt
wird.

Ableitung der nicht realisierten Bestellungen

Das Prognosemodell soll dazu dienen, den Zusammenhang zwischen Kapazitätsbestand
und Service Level zu bestimmen. Allerdings kann die Prognosegüte nur anhand der
realisierten Nachfrage überprüft werden (vgl. Abschnitt 5.2). Die Wagenbindung, die
zur Realisierung der nicht realisierten Nachfrage notwendig gewesen wäre, kann nur
geschätzt werden. Dies erfolgt über Gewichtung der Ausfälle, so dass eine gleichmäßige

259
Vgl. Twele, H. (2000), S. 15 und 29

197
Verteilung der Bindungsdauern erfolgt. Hierbei muss erstens berücksichtigt werden,
dass bereits vor dem Bestelltag Wagen zum Kunden verfügt werden, d.h. nachfragenbe-
dingt gebunden werden. Umgekehrt wird jeder Wagen unterschiedlich lange gebunden,
so dass von einer kontinuierlichen Abnahme der gebundenen Wagen auszugehen ist.
Tabelle 20 zeigt die Gewichtung der Ausfälle vor und nach einem bestimmten Tag X.

Zeitpunkt Gewichtung Begründung

der Ausfälle
X-2 0,33 Ein Teil der Wagen wird über längere Anfahren disponiert
X-1 0,66 Der Großteil der Wagen wird am Vortag zum Kunden verfügt
X 1,0 Alle bestellten Wagen müssen am Bestelltag vorhanden sein
X+1 bis X+12 Täglich absteigend 6 Tage Durchschnittsumlauf auf Basis der nachfragebedingten
0,9177 bis 0,0833 Bindung; lineare Verteilung
Tabelle 20: Wagenbindung zur Erfüllung nicht befriedigter Nachfrage260

6.3.2. Ergebnisse und Vergleich mit den Thesen

Die Abstraktion von Zeit-Raum-Netzwerken bei der Wagenbedarfsprognose ermög-

licht eine hohe Prognosegüte auf Tagesebene:
Die realisierten Nachfrage nach Shi-Wagen schwankt im Wochenverlauf gleichmäßig
um das Wochenmittel. Abbildung 25 zeigt den Wochenverlauf (Ist-Werte und7-Tage-
Mittel) der realisierten Nachfrage in Tageswerten vom 18.4.2002 bis zum 27.12.02.

Realisierte Nachfrage pro

glatte Komponente des

8.4 8.5 8.6 8.7 8.8 8.9 8.10 8.11 8.12

Wochenverlauf
Abbildung 25: Entwicklung der realisierten Nachfrage im Wochenverlauf261

260
Quelle: Eigene Darstellung
261
Quelle: Eigene Darstellung; Skalierung neutralisiert

198
Der Verlauf der realisierten Nachfrage zeigt ein regelmäßiges Wochenverlaufsmuster
mit einem starken Einbruch im Bereich der Sommerpause (August). Vor und nach der
Sommerpause schwankt die glatte Wochenkomponente um unter 5 %. Während der
Rückgang zu Beginn der Sommerpause eher graduell verläuft, ist der Bedarfsanstieg am
Ende der Sommerpause steil.

Die Prognosegüte des Zeitreihenmodells ergibt sich durch den Vergleich der gemesse-
nen mit den prognostizierten Tagesbedarfen an Shi-Wagen. Abbildung 26 zeigt das
Korrelogramm dieser beiden Größen jeweils für den realisierten Wagenbedarf und den
Gesamtwagenbedarf im Zeitraum 18.4.02-27.12.02. Der über den Korrelationskoeffi-
zient ermittelte Erklärungswert des Prognosemodells liegt in beiden Fällen hoch, für
den realisierten Bedarf bei 80 % und für den Gesamtbedarf bei 86 % der Schwankun-
gen. Der höhere Korrelationskoeffizient für die Gesamtnachfrage entsteht dadurch, dass
sowohl die Ist-Werte als auch die Prognosewerte anhand der hochgerechneten Ausfälle
erweitert werden. Die eigentliche Prognosegüte des Zeitreihenmodells ist daher mit ca.
80 % anzusetzen. Die o.g. These, das auch bei Abstraktion von komplexen Zeit-Raum-
Netzwerken sinnvolle Kapazitätsprognosemodelle entwickelt werden können, kann da-
her bestätigt werden. Die Schwankungen des täglichen Güterwagenbedarfs können an-
hand von Zeitreihenprognose zu ca. 80 % erklärt werden.

Ist-Werte Ist-Werte
Wagenbedarf Wagenbedarf

R2 = 0,8022 2
R = 0,8572
R2 = 0,8572

Prognose-Werte realisierter Prognose-Werte Gesamt-Wagenbedarf*)

nach Zeitreihen-Modell (variable 2

*) in tausend gebundenen Shi-Wagen pro Tag nach Zeitreihen-Modell (variable

Bindung)
Abbildung 26: Prognosegüte des Modells für den realisierten bzw. den Gesamtwagen-
bedarf262

262
Quelle: Eigene Darstellung; Skalierung neutralisiert

199
Zur Spitzenabdeckung werden überproportional mehr Wagen benötigt als zur Grund-
versorgung: Zur Erhöhung des Service-Levels von 85 % auf 99 % werden über 17 %
Zusatzkapazitäten benötigt: Abbildung 27 zeigt die nach Größe der Gesamtnachfrage
sortierten Tageswerte für den Zeitraum 18.4.02-22.12.02. Die Prozentwerte der X-
Achse geben den Anteil an den Tageswerten wieder, in dem die Gesamt-Nachfrage un-
ter dem auf der Y-Achse abgetragenen Wert liegt. Die in Abschnitt 5.1.2. schematisch
dargestellte doppelt geschwungene Bedarfskurve scheint eine realistische Annäherung
zu sein. Die „ Basisnachfrage“ pro Tag liegt bei ca. 2.800 Wagen, d.h. ca. 60 % des
Spitzenbedarfs von ca. 4.680 Wagen. Für die untersten 20 % der Bedarfstage und für
die höchsten 5 % der Nachfragewerte macht die Bedarfskurve einen „Knick“. Wie im
Fall der glatten Komponente gilt auch hier, dass über der Mindestgrenze von 2.800 Wa-
gen für jede zusätzliche Bestellung mehr Wagen nachgehalten werden müssen als für
die vorhergehenden. Insbesondere für die Bedarfsspitzen, d.h. Tage mit über 3.900 Wa-
gen Gesamtbedarf, müssen deutlich überproportionale Wagenkapazitäten aufgebaut
werden.

Gesamte und realisierte

nachfragebedingte
in Tageswerten 18.4.02-27.12.02

Anteil der Tageswerte 18.4.02-27.12.02,

welche unter dem angegebenen
Gesamtbedarf lagen

Abbildung 27: Gesamt- und realisierte Nachfrage in Tageswerten263

Wie viel Wagenkapazität müssen zur Verbesserung des Service-Levels aufgebaut wer-
den? Tabelle 21 zeigt die zur Erzielung eines bestimmten Service-Levels notwendigen
Wagenkapazität. Der Service-Level von 85 % sowie die dafür notwendigen 3.691 Gü-
terwagen dienen als Messlatte für die übrigen Werte. Um den Service-Level von 85 %

263
Quelle: Eigene Darstellung; Skalierung neutralisiert

200
auf 99 % der Tagesnachfrage anzuheben (ein Anstieg um 16 %), ist eine Kapazitätser-
weiterung der Güterwagenflotte von 21 % notwendig. Die o.g. These kann anhand der
Shi-Flotte bestätigt werden: Die Erhöhung des Service-Levels verlangt überproportiona-
le Wagenkapazitäten aufgrund der hohen Bedarfsspitzen im Güterwagenbedarf.

Service-Level 80% 85% 90% 95% 99%

Index 94 100 106 112 116
Kapazitätsbedarf - - - - -
Index 99 100 102 105 121
Tabelle 21: Kapazitätsbedarf zur Erzielung verschiedener Service-Level264

Tabelle 21 zeigt ebenfalls, dass dies unterhalb des 95 %-Service-Levels nicht gilt: Die
für einen Anstieg im Service-Level von 1 % zu leistenden Kapazitätserweiterungen sind
kleiner als 1 % des Wagenparks.

Die (Wagen-)Bedarfe schwanken tageweise stärker als wöchentlich: Abbildung 28

zeigt die Prognose der Wochenschwankung durch das in Abschnitt 5 beschriebene Zeit-
reihenmodell zusammen mit den Ist-Werten. Der gezeigte Ausschnitt zeigt, dass der
Wochenzyklus relativ stabil ist und eine hohe Amplitude besitzt.
Abweichung der realisierten Nachfrage nach S(a)hi-Wagen
pro Kalendertag von der glatte Komponente (Wochenzyklus)
und Modellierung durch Sinuskurve
200

100

0 Tagesverlauf
20

22

24

26

28

20.-29. Woche
-100

-200

Abbildung 28: Wochenzyklus des Gesamtbedarfs in Zeitraum 20.-29. Woche 2002265

Die Amplitude der Wochenschwankungen bleibt im gesamtem Wochenverlauf relativ

konstant und verändert sich nicht monoton. Die Verlaufskurve der Tageswerte scheint
die o.g. These zu bestätigen. Tabelle 22 vergleicht die Schwankungen des realisierten
Kapazitätsbedarfs auf Tagesebene im Vergleich zu Wochen- und Monatswerten im

264
Skalierung neutralisiert
265
Quelle: Eigene Darstellung

201
Zeitrau, 17.4.-27.1202. Die mittleren Schwankungen der Monats- und Wochenwerte
sind im Verhältnis zum Mittelwert ähnlich hoch. Die mittleren Schwankungen auf Ta-
gesebene liegen allerdings wie erwartet um ein Vielfaches (7-8 mal) über denen auf
Wochenebene. Die o.g. These kann damit bestätigt werden. Prognosemodelle die an-
hand von mittleren Tagesaufkommen zur Ableitung des Wagenbedarfs oder als Be-
standteil von Dispositionsmodellen verwendet werden, sind im Fall der Shi-Flotte von
geringem bis gar keinem Nutzen.

Der Wagenbedarf durchläuft daher im Wochenverlauf erhebliche Schwankungen, wel-

che den Kapazitätsbedarf nach oben treiben. Auf das in Abschnitt 3.2. beschriebene
Warteschlangenmodell lässt sich feststellen, dass die Stochastizität der „Ankunftszei-
ten“ und „Bearbeitungsdauern“ im Fall der Shi-Flotte stark ausgeprägt ist. Hierin liegt
die Hauptursache für den hohen Kapazitätsbedarf zur Abdeckung von Spitzenbedar-
fen266.
Monatswerte Wochenwerte Tageswerte
Standardabweichung/ 5,99 % 5,64 % 43,4 %
Durchschnittswert
Tabelle 22: Schwankung der nachfragebedingten Güterwagenbindung auf Tages-, Wo-
chen- und Monatsniveau267

Die in Abschnitt 5.2. festgelegte Messgröße des Verhältnisses von Tagesschwankungen

zu Wochenschwankungen für die o.g. These beträgt 7,7. Die These wird daher bestätigt
anhand der Daten der Shi-Flotte.

Bestellungen sind z.T. größer als der tatsächliche Güterwagenbedarf:

Die Fläche zwischen den beiden Linien auf Abbildung 27 entspricht der
Güterwagenkapazität, welche durch die nicht realisierten Bestellungen gebunden wor-
den wäre. Die vergleichsweise hohe Spitzenbedarfe lassen die o.g. These wahrschein-
lich erscheinen.

Abbildung 29 zeigt für die größten 7 Versandstandorte die Bestellungen (gemeldeter

Bedarf), die Bestände morgens um 6 Uhr im Kundenanschluss sowie die Zahl der Last-
läufe von diesen Standorten im Zeitraum Juni-August 2002. Die täglichen Bestellungen
(gemeldeter Bedarf) liegen ca. 20 % über den Versandzahlen. Der Tagesbestand an Gü-
terwagen beim Kunden umfasst etwas mehr als 2 Tage an Versandkapazität.

266
Vgl. hierzu die Zahlenbeispiele in Vahrenkamp, R. (200b), S. 231-233

202
 Auswertung derShi-Bestände, Bestellungen und Versand
für die größten 8 Versandstandorte im Zeitraum 6-8/03.

Gemeldeter
Bedarf
Mittelwert

Werksbestand
(6 Uhr) Standard-
abweichung

Realisierter
Bedarf
(Versand)

Abbildung 29: Auswertung LWM einzelner Standorte: Eliminierung von

Schattenbestellungen268

Die Differenz zwischen Tagesbestellungen und Versand lässt dabei zwei Schlüsse zu:
- Während Bedarf und Versand im Verhältnis zum Mittelwert stark schwanken,
bleibt der 6-Uhr-Bestand im Werk relativ konstant. D.h. die zeitliche Bindung
der durchlaufenden Wagen variiert und gleicht Schwankungen im Durchsatz der
Wagen aus. Langfristig gesehen findet also ein „Durchtauschen“ der Güterwa-
gen statt. Wenn ein Standort z.B. täglich 100 Wagen bestellt, aber nur 80 Wagen
versendet, so befindet sich stets ein Puffer von 20 Wagen im Anschluss, die
nicht direkt benötigt werden269. Dies ermöglicht die Einrichtung eines Wagen-
puffers innerhalb der offensichtlich ausreichend langen Ladefristen, der vor
kurzfristigen Kapazitätsengpässen schützt.
- In Engpasssituationen (kein Puffer beim Kunden) sind die Kunden durchaus in
der Lage, die in Abschnitt 3 beschriebenen „Schattenbestellungen“ abzugeben,
da ohnehin die Bestellzahlen um ca. 20 % aufgebläht sind. Auf diese Weise um-
geht der Kunde den Priorisierungsmechanismus des KSZ, der eine gleichmäßi-
gen Service-Level über die großen Standorte anstrebt.

Diese beiden Effekte können inhaltlich nicht voneinander getrennt werden. Die Mess-
größe für das Verhältnis von Bestellungen zu Wagenbedarf beträgt 1,2. Die o.g. These

267
Quelle: Eigene Darstellung
268
Quelle: Eigene Darstellung; Skalierung neutralisiert
269
Wie in Abschnitt 4 beschrieben, erfolgt täglich die Angabe des verfügbaren Bestandes durch den Kun-
den. Güterwagen, die sich bereits im Anschluss des Kunden befinden, werden daher systemtechnisch ein

203
wird daher durch das empirische Zahlenmaterial bestätigt. Allerdings ist dieses Ergebnis
angesichts der 2 möglichen Erklärungsgründe vorsichtig interpretiert werden.

Die zeitliche Bindung der Güterwagen durch den Kunden schwankt stark: Die zeitli-
che Bindung der Güterwagen durch den Kunden entspricht der Länge der Ereignispaare
im Status Beladung und Entladung/Wiederbeladung. Die zeitliche Bindung eines Tages
ergibt sich als mittlere Bindung aller am gleichen Tag dem Kunden gestellten Wagen im
darauffolgenden Status Beladung und Entladung/Wiederbeladung. Abbildung 30 zeigt
die Entwicklung dieser Tageswerte im Zeitraum 17.4.-29.8.02.

Mittlere
des täglichen
beim Kunden in

Tageswerte im Zeitraum
Abbildung 30: Mittlere Bindungsdauer beim Kunden im Wochenverlauf270

Die Wagenbindungen durchlaufen im Wochenverlauf starke, relativ stabile Schwan-

kungen. Die mittlere Bindungsdauer beträgt 2,86 Tage, die Standardabweichung 0,93
Tage. Die Wagenbindung schwankt damit um durchschnittlich 33 % um den Mittelwert.
Auch wenn für die o.g. These kein absoluter Schwellenwert festgelegt wurde, sind diese
Schwankungen signifikant. Die o.g. These wird daher durch die Daten der Shi-Flotte
bestätigt.

Kausalmodelle eignen sich weniger zur Prognose als Zeitreihenmodelle: Die der The-
se unterliegende Annahme ist, dass Kausalmodelle auf Basis der Stahlproduktion nicht
in der Lage sind, die oben dargestellten Tagesschwankungen im Wochenverlauf zu er-
klären. Kausalmodelle eignen sich daher als alleiniger Erklärungsansatz zwar sehr gut
zur Erklärung der glatten Komponente des Wagenbedarfs (s.o.). Zur Erklärung der Be-
darfsschwankungen auf Tagesbasis hingegen können sie nicht herangezogen werden.

zweites Mal „gestellt“, obwohl dazu keine Leerfahrt mehr nötig ist. Hieraus entsteht das „Durchtauschen“
leerer Güterwagen.
270
Quelle: Eigene Darstellung; Skalierung neutralisiert

204
Im ersten Schritt soll anhand der Monatsdaten von Stahlproduktion und Güterwagenbe-
stellungen die Eignung von Kausalmodellen für Langfristprognosen des Wagenbedarfs
geprüft werden. Wie in Abschnitt 6.2.1. beschrieben, diente der Zeitraum April-
Dezember 2002 als „Eichmass“ für die Ableitung von Wagenkapazitäten aus den Wa-
genbestellungen. Abbildung 31 zeigt die glatte Komponente von Stahlproduktion, dem
gesamten Kapazitätsbedarf und dem davon realisierten Anteil in Monatswerten für den
Zeitraum 1/95-12/02.

Die Stahlproduktion durchlief im Zeitraum 1/95-12/02 zwei volle Konjunkturzyklen,

innerhalb derer die Tagesproduktion im Jahresmittel um bis zu 18 % zwischen Tiefst-
stand und Maximalstand schwankte. Die Gesamtnachfrage nach Shi-Wagen schwankt
um 67 % zwischen Tiefststand und Maximalstand, d.h. deutlich stärker als die Stahlpro-
duktion. Die Güterwagennachfrage verhält sich also prozyklisch.

Gesamt- und realisierte Nachfrage Deutsche Stahlproduktion

nach S(a) hi -Wagen (glatte Komponente)
(glatte Komponente) pro Kalendertag in tsd . t
pro Kalendertag

Nachfrage
gesamtStahl-
und
realisiert
produktion

Stahl-
produktion

Abbildung 31: Glatte Komponente der Gesamtnachfrage von Shi-Wagen im Zeitraum

1/95-12/02271

Die Lücke zwischen der Gesamtnachfrage und der realisierten Nachfrage besteht in den
Wagenkapazitäten, die zur Befriedigung der nicht realisierten Nachfrage notwendig
gewesen wären. Auffällig ist dabei, dass selbst in Monaten mit vergleichsweise geringer

271
Quelle: Eigene Darstellung; Skalierung neutralisiert

205
Gesamtnachfrage Ausfälle entstehen. Eigentlich wäre zu erwarten, dass Ausfälle erst
dann entstehen, wenn die mittlere monatliche Gesamtnachfrage den mittleren verfügba-
ren Kapazitätsbestand überschreitet. Da die Gesamtnachfrage im Gegensatz zur verfüg-
baren Kapazität aber im Wochenverlauf stark schwankt, entstehen Ausfälle am Freitag,
wenn die Bestellungen für das Wochenende abgegeben werden und dadurch deutlich
über dem Wochenschnitt liegen (vgl. Abschnitt 3.1. und 4.2.). Diese Ausfälle entstehen
auch in Monaten, die im Durchschnitt einen geringen Güterwagenbedarf aufweisen.

Wie aus Abbildung 32 erkennbar ist, besteht ein starker Zusammenhang zwischen der
Glatten Komponente der Rohstahlproduktion und der des Güterwagenbedarfs. Analy-
siert man die Stärke des Zusammenhangs zwischen der Glatten Komponente von Ge-
samtnachfrage und Stahlproduktion, so sollte weise zwischen dem ersten Zyklus und
dem zweiten getrennt werden. Offensichtlich liegt eine graduelle Veränderung in Form
erhöhter Marktanteile oder aber verändertem Produktmix in der Stahlindustrie vor. Ab-
bildung 32 zeigt den Zusammenhang in beiden Zeitabschnitten.

Deutsche Stahlproduktion
(glatte Komponente)
pro Kalendertag in tsd. t

R2 = 0,969 R2 = 0,8477

Gesamtnachfrage (glatte Gesamtnachfrage (glatte

pro K t )je Monat im
Kalendertag -1/99 K t je
pro Kalendertag )nat im Zyklus -12/0
Z kl 1/95 M 2/99 2

Abbildung 32: Zusammenhang zwischen glatter Komponente von Wagenbedarf und

Stahlproduktion272

Im zweiten Zyklus reagiert die Gesamtnachfrage deutlich stärker auf einen Anstieg in
der Stahlproduktion. Während die Ausfälle in etwa konstant bleiben, steigt die realisier-
te Nachfrage an, was auf Verbesserungen der Umlaufzeiten schließen lässt. In beiden
Fällen ist der Erklärungswert der Stahlproduktion sehr groß mit Erklärungswerten von
91 % und 85 %. Die in Abschnitt 3.1. und 4.3. beschriebenen Nachfrageschwankungen

206
durch Lagerbewegungen, kurzfristige Preisveränderungen und Quartalsabschlüsse wer-
den durch das 12-Monate-Mittel weitestgehend eliminiert, so dass die zugrunde liegen-
den Einflüsse klar hervortreten.

Anhand der glatten Komponente ist die Überlegenheit von Zeitreihenmodellen gegen-
über Kausalmodellen also nicht festzustellen. Es kann sogar vermutet werden, dass die
Erklärung über die Stahlproduktion einen höheren Erklärungswert besitzt als die starre,
mehrjährige Zykluskomponente des Komponentenmodells. Da allerdings die Tages-
schwankungen entscheidend sind für die Bedarfsprognose, muss der Erklärungswert der
Stahlproduktion für Tagesschwankungen dem der Zeitreihe gegenübergestellt werden.

Abbildung 33 zeigt den Zusammenhang zwischen Güterwagenbestellungen und –

ausfällen je Monat im Zeitraum 1/95-8/02. Steigt die Zahl der Güterwagenbestellungen
im 12-Monate-Schnitt über die Mindestgrenze von ca. 12.750 Wagen um weitere 1000
Wagen, so steigt die Zahl der Ausfälle um ca. 360. Unter der Annahme, dass die Um-
laufzeit im Monatsschnitt konstant ist, würde dies These 1 nicht bestätigen.

Bestellungen
pro Monat (y)

Y = 2,7283x + 12888

R 2 = 0,8486

Nicht rechtzeitig gestellte Wagen pro Monat (x)

im Zeitraum 1/95-8/02, sortiert nach Größe

Abbildung 33: Zusammenhang zwischen Wagenbestellungen und Ausfällen je Monat

im Zeitraum 1/95-8/02273

Mit Bezug auf Forschungsfrage 1 kann also bereits festgestellt werden, dass die Not-
wendigkeit zur Vorhaltung überproportionaler Güterwagenkapazitäten für die Abde-

272
Quelle: Eigene Darstellung; Skalierung neutralisiert
273
Quelle: Eigene Darstellung; Skalierung neutralisiert

207
ckung von Bedarfsspitzen anhand der glatten Komponente der Monatswerte nicht auf-
gezeigt werden kann.
Wie kann es zu unterschiedlichen Aussagen auf Basis von Monats- und Tageswerten
kommen? Die Tageswerte des Güterwagenbedarfs unterliegen stärkeren Schwankungen
als das Monatsmittel. Ein Anstieg der Wagenbestellungen im Monatsmittel ist deswe-
gen kein proportionaler Anstieg der Ausfälle, da diese Ausfälle nur an einzelnen Wo-
chentagen passieren.

Vergleicht man die Aussagekraft der Monatsmittel für die Tageswerte, so wird der zent-
rale Nachteil der Kausalmodelle deutlich. Abbildung 34 stellt die Wagenbedarfe im
Monatsmittel den Tagesbedarfen gegenüber. Selbst wenn ein Kausalmodell auf Basis
der Stahlproduktion oder anderer Größen in der Lage wäre, die Monatswerte 100%ig
vorherzubestimmen, wären diese Prognosewerte dennoch nicht geeignet zur Ableitung
von Kapazitätsbedarfen.

Prognose-Werte Gesamt-
nachKausalmod (Monatsmittel derWErt)

R2 = 0,4268

Ist-Werte Gesamt-Wagenbedarf *)
Abbildung 34: Gegenüberstellung von Monats- und Tageswerten des
Güterwagenbedarfs274

Die in der Literatur vorherrschenden Arbeiten zur Prognose des Güterwagenaufkom-

mens (vgl. Abschnitt 3.1.) sind daher nicht zur Bestimmung des Wagenbedarfs geeig-
net. Die Erklärungskraft für Tagesbedarfe ist mit dem Korrelationskoeefizienten von 43
% deutlich geringer als die des Zeitreihenmodells. Das Verhältnis der beiden Korrelati-

208
onsgrößen (Messgröße für die These) beträgt 1,86, die These wird für die Shi-Flotte
bestätigt.

Kapazitätsermittlung mit Schwankungen in der Güterwagenbindung liefert genauere

Bedarfsprognosen als mit konstanter Bindungsdauer je bestelltem Güterwagen: Um
diese These prüfen zu können, muss ein Vergleich gemacht werden zwischen
- dem Korrelationskoeffizienten der oben dargestellten Prognosefunktion auf Basis
schwankender Bindungszeiten je bestelltem Wagen und
- dem Korrelationskoeffizienten des gleichen Modells bei konstanten Bindungsdauern.
Abbildung 35 stellt diese beiden Werte gegenüber. Der rechte Teil der Abbildung ist
identisch mit der realisierten Nachfrage in Abbildung 26. Im linken Teil der Abbildung
ist für das Prognosemodell die zeitliche Bindung für Leerlauf, Beladung/Entladung,
Lastlauf etc. unabhängig vom Wochenverlauf und der Zahl der Lastläufe.

Das Modell mit variablen Bindungsdauern erklärt 80 % der Bedarfsschwankungen, das

Modell mit fixen Bindungsdauern nur 36%. Das in Abschnitt 5.2. als Messgröße darge-
stellte Verhältnis der beiden Korrelationskoeffizienten beträgt 2,22. Die o.g. These, dass
der Erklärungsansatz fixer Bindungsdauern schlechtere Ergebnisse zeigt als eine Model-
lierung variabler Bindungszeiten trifft für die Shi-Flotte zu.

Ist-Werte Ist-Werte
Wagenbedar Wagenbedar
2
R = 0,8022

2
R = 0,3557

Prognose-Werte realisierter Prognose-Werte realisierter

bei konstanter Bindungsdauer nach Zeitreihen-Modell (variable
*) in tausend gebundenen S(a)
hi-Wagen pro Tag

Abbildung 35: Prognosewerte und Ist-Werte des täglichen Kapazitätsbedarfs275

274
Quelle: Eigene Darstellung; Skalierung neutralisiert
275
Quelle: Eigene Darstellung; Skalierung neutralisiert

209
Kurzzusammenfassung Ergebnisse zu den Thesen
Tabelle 23 stellt die zu den Unterthesen in Abschnitt 5.2. entwickelten Messgrößen mit
den empirisch erhobenen Werten dar.

Die im Theoretischen Teil dieser Arbeit aufgestellten Thesen zu Forschungsfrage 2

werden durch die Daten der Shi-Flotte bestätigt. Der über das Stati-Modell dargestellte
Wagenbedarf kann mittels Zeitreihenanalyse zu 80 % vorhergesagt werden. Der Tages-
bedarf an Güterwagen schwankt erheblich um das Wochenmittel, so dass eine Abde-
ckung von Bedarfsspitzen (>95 %) die überproportionale Vorhaltung von Wagenkapazi-
täten erfordert.

These qualitativ Wie wird die These getestet? Was ist der Prognosewert? Ist
Abstraktion von Zeit-Raum- Korrelationskoeffizient von prognostiziertem/gemessenen > 80 % 80,2 %
Netzwerken ermöglich hohe Progno- Güterwagenbedarf/Tag
següte auf Tagesebene
Zur Spitzenabdeckung werden über- Zusatzbedarf an Wagenkapazitäten (in %) zur Steigerung > 17 % 21 %
proportional mehr Wagen benötigt des Service-Levels von 85 % auf 99 %
als zur Grundversorgung
Die Wagenbedarfe schwanken tage- Standardabweichung der Tagesbedarfe, geteilt durch die > 1 7,70
weise stärker als wöchentlich Standardabweichung der Wochenmittel
Bestellungen sind z.T. größer als d. Mittelwert der Bestellungen/Mittelwert des beladenen Aus- > 1 1,2
tatsächliche Güterwagenbedarf gangs für die 8 größten Versandstandorte
Die zeitl. Bindung der Güterwagen Standardabweichung der mittleren Bindung je Status (in % *) 0,33
durch den Kunden schwankt stark. des Mittelwerts)
Kausalmodelle eignen sich weniger Verhältnis des Korrelationskoeffizienten (Prognose-/Ist- > 1 1,86
zur Prognose als Zeitreihenmodelle Bedarf an Güterwagen) des Zeitreihenmodells vs. der Mo-
nats-/Wochenmittel des Wagenbedarfs
Kapazitätsermittlg m. Schwankun- Verhältnis des Korrelationskoeffizienten (Prognose-/Ist- > 1 2,22
gen in der Güterwagenbindung ist Bedarf an Güterwagen) bei schwankender vs. konstanter
genauer als m. konst. Bindungsdauer Bindung

Tabelle 23: Prognose und Ist-Werte der einzelnen Thesen276

276
Quelle: Eigene Darstellung

210
6.4. Simulation der Hebelwirkung (Forschungsfrage 2)

In Abschnitt 6.3. werden die Testergebnisse zu Forschungsfrage 2 dargestellt.

- Abschnitt 6.3.1.: Hierzu wird zunächst der Einfluss der einzelnen Hebelfaktoren auf
die jeweils beeinflussten Güterwagen-Stati ermittelt.
- Abschnitt 6.3.2.: Anschließend wir der Anteil der einzelnen Güterwagen-Stati an der
Güterwagen-Kapazität ermittelt. Durch Gewichtung der Hebelfaktoren mit den be-
einflussten Stati können die Thesen zu Forschungsfragen 2 beantwortet werden.

6.4.1. Messung der Hebelwirkung je Güterwagen-Status

Hebelwirkung des Service Design

Der Güterwagenbedarf ist um so höher, je höher der Anteil an Einzelwagenverkehren
ist: Getestet werden soll, ob die Beförderungsart (Einzelwagen/Ganzzug) eines Trans-
portes auf die Transportdauer (Status Lastlauf/Leerlauf) einen signifikanten Einfluss
ausübt oder nicht. Wie in Abschnitt 5.2.1. beschrieben, enthält das Datenmodell der
empirischen Untersuchung lediglich die Ereignisdaten der Güterwagen ohne Angaben
über die Beförderungsart. Allerdings kann die Beförderungsart über die Ereigniszeit-
punkte ermittelt werden: Haben mindestens 10 Wagen die exakt gleiche Abfahrtszeit
und Transportdauer, so kann mit hoher Sicherheit ein Ganzzugtransport unterstellt wer-
den. Ist die Zahl geringer, so liegt eine Wagengruppen- bzw. ein Einzelwagentransport
vor. Beide werden der Beförderungsart Einzelwagen zugeordnet, da sie beide Rangier-
bahnhöfe durchlaufen.

Abbildung 36 zeigt die Transportdauer aller Shi-Transporte im Zeitraum 1.3.03-15.4.03

nach Beförderungsart unterteilt. Auffallend ist nicht nur, dass die mittlere Transport-
dauer im Einzelwagenverkehr 2,9 mal höher ist als die Transportdauer im Ganzzugver-
kehr.
Die Verteilung der Transportdauern ist signifikant größer für den Einzelwagenverkehr
als für den Ganzzugverkehr.

211
 Transportdauer
in Tagen

Mittelwert:
X Tage
Mittelwert:
X Tage

Einzelwagen- Ganzzug -
transporte transporte

Abbildung 36: Transportlänge von Einzelwagentransporten gegenüber

Ganzzugtransporten277

Die empirische Prüfung zeigt also, dass diejenigen Shi-Transporte, die im Ganzzug-
System durchgeführt werden, im Schnitt um 65 % weniger Zeit beanspruchen. Ein An-
stieg des EW-Anteils von 50 % auf 100 % der Transporte hätte damit einen Anstieg der
Transportdauer von 48 % zur Folge. Diese Effekt liegt noch über den in der Literatur
genannten Werten von ca. 40 % (vgl. Abschnitt 3.2.). Über alle Transporte ist die
Durchschnittsentfernung der Einzelwagenverkehre mit 395 km größer als die der Ganz-
zugverkehre mit 241 km. Wie wir oben gezeigt haben, kann die unterschiedliche Trans-
portentfernung jedoch nur einen sehr kleinen Teil der Transportdauer-Abweichung er-
klären.

Die Gegenüberstellung der Einzelwagen- und Ganzzugtransporte ermöglicht noch keine

Feststellung des Erklärungswerts der Beförderungsart für die Transportdauer. Es ist
daher sinnvoll, über mehrere Wagengattungen zu vergleichen, ob diejenigen Wagengat-
tungen mit hohem Einzelwagenanteil auch eine höhere Umlaufzeit haben. Abbildung 37
zeigt diese Auswertung über 17 Wagengattungen, welche ca. 80 % des Transportauf-
kommens im Montanbereich der DB Cargo AG ausmachen. Der Einfluss ist ebenfalls
signifikant.

277
Quelle: Eigene Darstellung; Skalierung neutralisiert

212
 Umlaufzeit je Wagengattung*)

2
R = 0,5338
y = -16,927x + 21,545

Anteil Einzelwagen-
Transporte in %*)
*)Umlaufzeiten und EW-
Lastlaufanteil2001 der großen
17 MontanGattungen
100,00% 80,00% 60,00% 40,00% 20,00% 0,00%

Abbildung 37: Zusammenhang zwischen Einzelwagenanteil und Umlaufzeit je

Wagengattung278

Über alle großen Wagengattungen der Stahlindustrie ist die Umlaufzeit (und damit der
Kapazitätsbedarf pro bestellten Wagen) um so höher, je höher der
Einzelwagenanteil an den Verkehren der Gattung ist. Eine Erhöhung des Einzelwagen-
anteils von 50 % auf 100 % hätte im Mittel eine Verlängerung der Transportdauer von
ca. 65 % zur Folge. Der Effekt ist allerdings so stark, dass er sich nicht nur auf die Stati
Last- und Leerlauf beziehen kann. Bei mehreren der Gattungen (für Kohle-, Erz- und
z.T. Halbzeugtransporte) werden sogenannte Wagengarnituren von ca. 20 Wagen als
fester Verbund gefahren und beim Kunden zusammen entladen. Die Besonderheit die-
ses Prozesses bedingt den starken Gesamteinfluss auf die Umlaufzeit. Unter der An-
nahme gleichmäßiger Einwirkung der Beförderungsart auf Transport und Kundenbin-
dung beträgt der Korrelationskoeffizient für den Einfluss Beförderungsart auf die
Transportdauer 53 %. Die o.g. These kann damit bestätigt werden. Dispositionsmodelle,
die ungeachtet der Zahl zu tranportierender Wagen den gleichen Fahrplan unterstellen
(vgl. den Abschnitt 3.3.), bilden die Realität nicht korrekt ab.

Der Güterwagenbedarf ist um so höher je länger die Pause zwischen Bedienfahrten

ist: Für große Versandstandorte bestehen 3-4 Bedienfahrten pro Tag. Die große Lücke
besteht daher am Wochenende zwischen Sa und Mo. Dies lässt die Güterwagenbindung
bei Kunden am Freitag, Samstag und Sonntag um 20-30 % ansteigen.

213
Unter der Annahme gleichmäßig ausgelasteter Züge lässt sich die Zugfrequenz (Zahl
der Bedienfahrten pro Tag) durch die Zahl beförderter Leer- und Lasttransporte appro-
ximieren. Abbildung 38 zeigt den Zusammenhang zwischen der Zahl der Transporte pro
Tag und der mittleren Bindung der an diesem Tag gestellten Wagen im Gleisanschluss
des Kunden.
Es fällt auf, dass zwischen dem Gros der Werte um ca. 1000 Transporte/Tag und dem
niedrigeren Cluster um ca. 250 Transporte/Tag wenig Zwischenwerte bestehen. Dies
liegt daran, dass die Tage mit unter 700 Transporten Wochenends- oder Feiertage sind.
Die Zahl der Transporte/Tag erklärt 60 % der Schwankungen in der mittleren Bin-
dungsdauer der Wagen beim Kunden. Die o.g. These kann daher bestätigt werden.

Transporte/Ta

2
R = 0,6018

Mittlere Bindungsdauer des täglichen

Ei beim Kunden in Tagen

Abbildung 38: Zusammenhang zwischen Zugfrequenz und Bindung beim Kunden279

Da die großen Versandstandorte 7 Tage pro Woche Stahlcoils verladen, bestehen hier
im Service-Design klare Optimierungsmöglichkeiten durch Glättung der Wochengang-
linie mit den großen Versendern.

Der Güterwagenbedarf ist umso höher, je mehr Wagen beim Kunden gelagert
werden: Geprüft wird, ob die Pufferung von Wagen beim Kunden einen signifikanten
Anteil am Status Beladung ausmacht. Da die gepufferten Wagen automatisch dem Sta-
tus Beladung zugeschrieben werden, bedeutet eine Zunahme dieser Wagen auch auto-
matisch eine Zunahme des Status Beladung am Gesamtbedarf nach Güterwagen. Dieser

278
Quelle: Eigene Darstellung; Skalierung neutralisiert

214
Einfluss steht also bereits fest – die Frage ist lediglich ob und in welchem Ausmaß die-
ser Aspekt des Service-Designs den Shi-Wagenbedarf beeinflusst.

Die Pufferung von Güterwagen kann empirisch ermittelt werden durch Auswertung der
in Abschnitt 4.2. beschriebenen Stückkontrolle. Alle Güterwagen, welche „über den
Bedarf“ zum Kunden gestellt wurden, stellen einen Pufferbestand dar. Da diese
Auswertung jedoch manuell erfolgt uns sehr aufwendig ist, wird lediglich eine
Stichprobe der 8 größten Versandstandorte erhoben (Abbildung 39). Da diese Standorte
jedoch über 80 % der leer gestellten Shi-Wagen umfassen, können die Ergebnisse auf
die Grundgesamtheit aller Shi-Wagen übertragen werden. Die Stichprobe umfasst den
Zeitraum 29. Juni-26. Oktober.

Der Status Beladung wird durch die zeitliche Bindung aller Wagen im betrachteten
Zeitraum im Status Beladung wiedergegeben. Die These 5 besagt, dass der Anteil der
gepufferten Wagen (hochgerechnet auf die Grundgesamtheit) am Status Beladung signi-
fikant über null liegt.

Anteil am täglichen
Güterwagenbestand der
größten 8 Standorte
7% 100 %
100 % 15 %
78 %
80 %
60 %

40 %
20 %
0%
Beladung Über Ladefrist- Summe
Entladung/ Bedarf über-
Wieder- schreitung
beladung

Abbildung 39: Aufteilung der Güterwagenbindung beim Kunden280

Der Anteil von 15 % am Status Beladung zeigt, dass die Pufferung von Güterwagen
einen signifikanten Einfluss auf die Bindungdauer der Wagen beim Kunden hat. Die
o.g. These kann daher bestätigt werden. Das Service-Design führt in diesem Fall dazu,
dass höhere Pufferkapazitäten als bei zentraler Lagerung benötigt werden.

279
Quelle: Eigene Darstellung; Skalierung neutralisiert
280
Quelle: Eigene Darstellung

215
Ein Vergleich der 8 größten Versandstandorte von Leerwagen verdeutlicht dies (vgl.
Karte in Abschnitt 4). Die 8 Standorte werden in der Praxis bei Engpässen über zwei
zentrale Hubs versorgt, an denen leere Güterwagen abgestellt werden. Die einzelnen
Standorte schwankten im Zeitraum 21.8.02 – 2.3.02 durchschnittlich um 80 % bzw. 86
% in der Zahl der täglich leer gestellten Wagen (Abbildung 40). Die Versorgung erfolg-
te im Untersuchungszeitraum bis auf Ausnahmefälle direkt, so dass die beobachtete
dezentrale Pufferung zum Ausgleich dieser hohen Tagesschwankungen dient. Bei voll-
ständiger zentraler Verteilung über 2 Puffer würden sich die täglichen Bedarfsschwan-
kungen von 80 % auf 34% bzw. von 86 % auf 43 % des Gesamtbedarfs reduzieren. Der
Bedarf an Pufferkapazität – und damit der Status Beladung innerhalb der Güterwagen-
nachfrage – würde sich entsprechend reduzieren.
Würde die Pufferung zentral erfolgen, würden sich daher 15 % der Bindungsdauer beim
Kunden reduzieren. Der Anteil leer stehender Wagen würde sich entsprechend erhöhen
– allerdings wäre dies eine Erhöhung der verfügbaren Kapazität.

200% Standardabweichung/
Mittlere Zahl der verfügten Wagen
150% je Standort alleine und über 2 Hubs*)
Alleine Alleine
86 %
100% 80 %

50% Wanne
Braunschw. 43 %
34 %
0%

Abbildung 40: Reduzierung der Bedarfsschwankungen über die größten 8

Versandstandorte durch zentrale Lagerung leerer Wagen281

Hebelwirkung der Disposition

Die Leerlaufminimierung alleine stellt einen geringen Hebel zur Güterwagenoptimie-
rung dar: Geprüft wird, wie stark die mittlere Bindungsdauer je Relation durch die
Transportlänge beeinflusst wird. Die der These zugrundeliegende Annahme ist, dass
dieser Einfluss nicht signifikant ist. Abbildung 41 zeigt diesen Zusammenhang für die
größten Lastlauf-Relationen der Shi-Transporte im Zeitraum 1.5.03-31.5.03.

281
Quelle: Eigene Darstellung

216
 Mittler
Transportdauer in Tagen

R2=

Entfernung in km
Abbildung 41: Zusammenhang zwischen Entfernung und mittlerer Transportdauer der
größten Shi-Lastläufe282

Die 29 Relationen umfassen 32 % des Transportaufkommens an Shi-Wagen in diesem

Zeitraum. Da es sich um die größten Relationen handelt, besteht ein überdurchschnittli-
cher Anteil an Ganzzugtransporten. Da diese Ganzzugtransporte jedoch geringere
Schwankungen in der Transportdauer je Relation aufweisen (siehe oben), ist der Zu-
sammenhang zwischen Entfernung und Transportdauer für die übrigen Relationen eher
noch geringer einzustufen. Eine Beschränkung auf die Lastlauftransporte erfolgt da-
durch, dass die genaue Transportentfernung nur hierfür leicht statistisch ermittelt wer-
den kann.

Der ermittelte Zusammenhang zwischen Transportentfernung und Transportdauer ist

schwach: Die Transportentfernung erklärt nur 13 % der mittleren Transportdauer einer
Relation. Die o.g. These kann daher bestätigt werden. Dieser Einfluss auf die mittlere
Dauer der Lastläufe ist allerdings immer noch größer als der auf die Transportdauer
einzelnen Transporte. Hintergrund ist die extrem hohe Standardabweichung der Trans-
portdauern auf einer Relation gegenüber dem Mittelwert der Relation.

Dem in der Literatur zur Güterwagendisposition dominierenden Modell des Zeit-Raum-

Netzwerkes unterliegt als zentrale Annahme die Nützlichkeit einer Minimierung der
Transport-km als Treiber der Güterwagenbindung. Diese Annahme scheint auf die un-
tersuchte Studie nicht zuzutreffen. Je nach Relation (und einzelnem Transport) kann die
kürzere Relation eine deutlich längere zeitliche Bindung zur Folge haben, so dass ein
weiter entfernter Güterwagen eher geeignet wäre.

282
Quelle: Eigene Darstellung; Skalen neutralisiert

217
Der Dispositions-Prozess wird aufgrund des täglichen Soll-/Ist-Abgleichs im Be-
stand leerer Wagen beim Kunden eher durch Lagerhaltungsmodelle wiedergege-
ben als durch Modelle zur Leerlaufminimierung:
Die der These zugrundeliegende Annahme ist, dass der Anteil
- bereits beim Kunden befindlicher Wagen
- nicht rechnergestützt gestellter Wagen
an den täglich für vom Kunden bestellten Leerwagen hoch ist. Tabelle 24 verdeutlicht
die Zuordnung der drei LWM-Größen auf die beiden Optimierungsansätze. Die bereits
beim Kunden verfügbaren Güterwagenbestände sind entweder durch beladenen Eingang
oder vorhergehende Gestellung „ohne direkten Bedarf“ entstanden. Je nachdem, wie
hoch der verfügbare Bestand beim Kunden ist, müssen an einzelnen Tagen wenige bis
gar keine leeren Güterwagen neu zugeführt werden.

Optimierungsansatz LWM-Größe Erläuterung

Lagerbestand- Bereits beim Kunden Quelle: beladener Eingang oder
Minimierung verfügbarer Bestand Zuführung über den Bedarf hinaus.
Manuelle Nachdisposition z.T. Zuführung über den Bedarf hinaus,
z.T. Engpassbeseitigung
Leerlauf- 11-Uhr Disposition Regelzuführung, basierend auf Bestellung
Minimierung und Lagerbeständen
Tabelle 24: Aufteilung der Güterwagenversorgung in „Lagerbezogene“ und „Leerlauf-
bezogene“ Komponenten283

Wenn Leerwagen zugeführt werden, so erfolgt die regulär über die in Abschnitt 4.2.
beschriebene Optimierung der Leerlauf-km (Optimierungsrechnung LWM mittels Out-
of-Kilter-Algorithmus). Aus den o.g. Gründen (Non-User-Compliance) erfolgen die
übrigen Leerwagenverfügungen manuell durch die Disponenten. Sowohl die manuell
disponierten Wagen als auch die Bestände beim Kunden werden nicht nach dem Krite-
rium der Leerlauf-Minimierung verfügt. Fällt die Summe dieser beiden Quellen der
Wagenversorgung unter die für den Folgetag benötigte Wagenzahl, so werden neue
Wagen zugeführt (11-Uhr-Disposition).

Abbildung 42 zeigt die Aufteilung der täglichen Güterwagenversorgung der 8 größten

Leerwagenbesteller in die drei Komponenten. Die Gesamtverfügung besteht zu 60 %

218
aus dem verfügbaren Bestand beim Kunden und der manuellen Disposition. Die rech-
nergestützte Leerwagenversorgung macht nur 40 % der Wagenversorgung aus.

Verwendung:
Gesamtverfügung 18 % 40 % 42 %

Bereits beim Kunden

verfügbarer Bestand*)

Rechnergestützte
Verfügung um 11 Uhr

Manuelle
Nach-Disposition

*) z.T. Vorverfügt durch Disponenten, z.T. beladener Eingang.

Abbildung 42: Aufteilung der Güterwagenversorgung 284

Die sehr niedrigen Anteil der rechnergesteuerten Leerwagenverfügung bestätigen die

o.g. These:
- Mit insgesamt 40 % an der gesamten Wagenversorgung des Kunden ist die
„Leerlaufbezogene Komponente“ größer als die „Lagerbezogene Komponente“.
- 42 % der täglich bestellten Wagen stehen bereits beim Kunden, so dass die Gestel-
lung der übrigen leeren Wagen mehr auf eine Lagerbestandsanpassung hinausläuft
denn auf eine Just-in-Time-Versorgung.
- Von allen Verfügungen erfolgen 45 % manuell, d.h. ohne Rechnerunterstützung.
Die Abweichung des Disponenten vom Rechnervorschlag (sog. Non-User Compli-
ance) wird in der Literatur zum Güterwagenmanagement also zu Unrecht fast voll-
ständig vernachlässigt (vergleiche Abschnitt 3.3.). Non-User Compliance ist ein
wichtiger Aspekt, der bei der Entwicklung von Dispositionsmodellen berücksichtigt
werden sollte.

283
Quelle: Eigene Darstellung
284
Quelle: Eigene Darstellung; Skalen neutralisiert

219
Die Modellierung des Dispositionsprozesses als Lagerhaltungsprozess würde die He-
belwirkung der Disposition daher deutlich erhöhen. Anstelle Optimierungsinstrumente
zur Ermittlung des Optimalen Leerlaufs zu entwickeln, müssten anhand von Vergan-
genheitsdaten optimale Wiederbestell-Punkte ermittelt werden.

Hebelwirkung der Produkt- und Preisdifferenzierung

Ohne stärkere Preisdifferenzierung im Güterwagenbereich werden die Güterwagen-

kosten nicht ausreichend berücksichtigt: Die Hebelwirkung der bestehenden Preis-
und Produktdifferenzierung auf den Güterwagenbedarf ist gering, da die Güterwagen-
ding nicht ausreichend im Transportpreis berücksichtigt wird. Die Schwankung in der
Güterwagenbindung beim Kunden (Status Beladung und Entladung/ Wiederbeladung)
lassen die Einnahmen/Wagentag signifikant um den Mittelwert schwanken.

Die einzige Preiskomponente, die in der heutigen Preissystematik der DB Cargo AG die
Güterwagenbindung explizit berücksichtigt, ist das sogenannte Standgeld (vgl. Ab-
schnitt 4.2.). Das Standgeld wird je Kunde und Standort erhoben, d.h. es findet keine
Verknüpfung mit dem Transportpreis statt. Da die Wagen in der Stückkontrolle durch-
getauscht werden, ist auch keine Verrechnung der Standgelder auf die Transporte mög-
lich. Übersteigt die Zahl der nach Ladefrist zurückzugebenden Wagen die tatsächlich
zurückgegebenen Wagen, so wurde im Schnitt aller vom Kunden bestellten Wagen die
Ladefrist überschritten. Für diese Überschreitung der Ladefrist wird pro Tag und Wagen
ein Standgeld erhoben, das sich am marktüblichen Mietpreis orientiert.

Um die o.g. These zu prüfen, soll für einen der größten 8 Versandstandorte die tägliche
Über-/Unterschreitung der Ladefrist in ihrer Auswirkung auf den Preis/Wagentag ge-
messen werden. Falls die These zutrifft, so wird sich die Über-/Unterschreitung der La-
defrist massiv auf den Preis/Wagentag auswirken. Der Preis pro Wagentag bei strikter
Einhaltung der Ladefrist ergibt sich aus dem durchschnittlichen Transport pro versende-
tem Güterwagen. Er steigt an, wenn die Ladefrist überschritten wird. Der Gesamtpreis
pro Wagentag entspricht also der durchschnittlichen Transportpreis zuzüglich der
Standgelder, geteilt durch die durchschnittliche Umlaufzeit zzgl. Ladefristabweichung.

220
 Einnahmen pro Wagentag bei Einhaltung der Ladefrist (a), ohne
Ressourcenabhängige Bepreisung (b) und bei Preisdifferenzierung nach der
Bindezeit im Versandstandort

C
Einnahmen in

Euro/
A
/Wagentag

Tageswerte, sortiert nach der Höhe der Mehr-/Minderrückgaben

Abbildung 43: Verzerrung der Einnahmen/Wagentag durch Mehr-/Minderrückgaben285

Abbildung 43 zeigt den Gesamtpreis pro Wagentag in Abhängigkeit der Mehr-

/Minderrückgaben. Die Kurven bestehen aus 122 Tageswerten (Minder-
/Mehrrückgaben) eines Versandstandortes im Zeitraum Juni-Oktober 2002.
- In der hypothetischen Soll-Situation (Fall A) entspricht der Gesamtpreis X Eu-
ro/Wagen bei einer Umlaufzeit von 3 Tagen, d.h. die Einnahme/Wagentag beträgt Y
Euro286.
- Im Fall B wird der Ist-Fall dargestellt: Sobald eine Minderrückgabe entsteht, sinkt die
Einnahme/Wagentag deutlich unter den Durchschnittswert. Für jeden Wagentag ge-
nutzter Wagenkapazität wird durch den Kunden zwar ein Standgeld gezahlt, dass al-
lerdings deutlich unter dem Erlös liegt, der mit den gebundenen Güterwagen hätte er-
wirtschaftet werden können. Bei starken Minderrückgaben sinkt die Einnah-
me/Wagentag um bis zu 25 %. Bei starken Mehrrückgaben steigt die Einnah-
me/Wagentag auf über das 3-fache der Durchschnittseinnahme. Im Mittel des betrach-
teten Zeitraums wird die Ladefrist durch den Kunden um ca. 1/3 überschritten.
- Fall C beschreibt ein hypothetisches Preismodell, in dem bei Unterschreitung
der Ladefrist eine Prämie von 120 Euro/Tag gezahlt wird, bei Überschreitung der Lade-
frist allerdings auch ein Standgeldsatz von 120 Euro/Tag eingefordert wird. Der Trans-
portpreis wird entsprechend abgesenkt, um eine Erhöhung des Gesamtpreises zu ver-

285
Quelle: Eigene Darstellung
286
Skalen neutralisiert

221
meiden. Sofern der Kunde in der Lage ist, die Be-/Entladedauer zu beeinflussen, hat er
jetzt einen stärkeren Anreiz, dies zu tun. Unter der Annahme, dass der Güterwagenbe-
darf noch nicht vollständig befriedigt ist, profitiert auch das Eisenbahn-Unternehmen
von der kürzeren Be-/Entladedauer.

Die Auswertung der Minder-/Mehrrückgaben des Standortes und des bestehenden

Preismodells bestätigt die o.g. These. Durch die relativ geringe Bepreisung der Schwan-
kungen in der Be-/Entladedauer schwankt die Einnahme/Wagentag massiv. Es besteht
darüber hinaus ein geringer Anreiz zur Optimierung der Be-/Entladung durch den Kun-
den. Inwiefern Kunden bei stärkeren finanziellen Anreizen zur Reduzierung der Be-
/Entladung bereit sind, lässt sich ohne Kundenbefragungen nicht beantworten. Die He-
belwirkung der heutigen Produkt- und Preisdifferenzierung die Güterwagenbindung
durch den Kunden ist allerdings niedrig anzusetzen.

6.4.2. Vergleich der exogenen Faktoren

Das Service-Design ist der größte Hebel zur Beeinflussung des Güterwagenbedarfs
Tabelle 25 fasst die empirisch erhobene Hebelwirkung der exogenen Faktoren auf die
jeweils relevanten Güterwagenstati zusammen.
Hebel- ... auf Messgröße f. Messgröße Wirkungswe Ist
faktor... Status Hebelfaktor f. Hebelwirkung ise
Beförde- Lastlauf, Beförderungs- Bindungsdauer Last- Stark positiv 53 %
rungsart Leerlauf Art (EW/Gag) /Leerlauf je Sendung
Zug- Beladung, Züge pro Tag Mittlere Bindungsdauer der Stark negativ 60 %
frequenz Entladung/ Wagen b. Kunden
Wiederbel.
Lagerung Beladung Wagen über Be- Mittlere Bindungsdauer der Stark positiv 15 %
beim darf beim Kunden Wagen b. Kunden
Kunden
Dispositi- Leerlauf Transport- Bindungsdauer im Leerlauf Kein signifi- 13%
on entfernung kanter Zu-
sammenhang
Produkt- Beladung, Minder- Gesamtpreis (Transport und Kein signifi- -
/Preis- Entladung/ /Mehrrückgaben Standgeld) pro Wagentag**) kanter Zu-
Differen- Wiederbel. beim Kunden sammenhang.
zierung

*) Es wird lediglich das Auftreten des Effektes im Rahmen der Studie untersucht.

222
Tabelle 25: Einfluss der exogenen Hebel auf die Güterwagen-Stati287

Der größte relative Einfluss besteht durch die Zugfrequenz auf die Bindungsdauer der
Wagen beim Kunden (Beladung und Entladung/Wiederbeladung). Für die Produkt- und
Preisdifferenzierung konnte kein direkter Einfluss identifiziert werden; die Annahme
ist, dass der Einfluss insgesamt gering ist. Da Zugfrequenz und Lagerung der Wagen
beim Kunden bereits den größten Teil der Wagenbindung beim Kunden beeinflussen,
ist der noch zu erklärende Rest ohnehin gering. Für jeden der Stati muss unabhängig der
Konstellation der Hebelfaktoren eine „Minimalbindung“ angesetzt werden, die nicht
unterschritten werden kann. So z.B. die im Einzelwagenverkehr bei planmäßigem Wa-
genübergang im Fahrplan vorgesehene Transportdauer. Oder beim Kunden die minima-
le Be-/Entladedauer pro Wagen. Angesichts dieser sicherlich nicht geringen Anteile am
Güterwagenbedarf, die nicht optimierbar sind, fällt die Hebelwirkung der endogenen
Faktoren überraschend hoch aus.
Tabelle 26 gewichtet die Wirkung der einzelnen Hebelfaktoren mit dem Anteil der be-
einflussten Stati am Güterwagenbedarf. Der Anteil der Stati am Güterwagenbedarf wur-
de im Zeitraum 18.4.02-27.12.02. erhoben. Wie in Abschnitt 5.1. beschrieben, wurde
der Status Ausland auf die übrigen Stati nach deren Gewicht am „nationalen“ Wagen-
bedarf verteilt.
Dieser Vorgehensweise liegt die Annahme zugrunde, dass die Aufteilung der Güterwa-
genbindung auf Transport- und Kundenbindung im Ausland identisch ist mit der in
Deutschland. Einzelauswertungen im Zeitraum April 03 bestätigen diese Annahme.

Die Aufteilung des Güterwagenbedarf auf Transport (32 %) vs. Bindung beim Kunden
(68%) zeigt die in Abschnitt 3 formulierte überragende Bedeutung der Aufenthaltszeit
im Kundenanschluss. Die in der Literatur entwickelten Modelle zur Optimierung der
Leerlaufbewegungen (Zeit-Raum-Netzwerke) wirken lediglich auf 13 % des Güterwa-
genbedarfs. Eine zweite Besonderheit ist, dass die Leerlauf-Bindung ein größeren Ge-
wicht hat als die Lastlaufbindung. Dies kann erklärt werden durch den höheren Einzel-
wagenanteil der Leerwagenbewegungen sowie einer generell geringeren Priorisierung
der Leerwagen im betrieblichen Ablauf. Zuletzt fällt auf, dass der Anteil der Beladun-
gen über dem der Entladungen/Wiederbeladungen liegt. Dies wird erstens erklärt durch
den größeren Versand an Shi ins Ausland und die vergleichsweise geringe Wiederbela-

287
Quelle: Eigene Darstellung

223
dungsquote dort. Darüber hinaus wirkt sich die Lagerung von Wagen beim Kunden le-
diglich auf den Status Beladung aus.

Hebelfaktor Beeinflusster Anteil an Hebelfaktor erklärt Gesamt-

Status Wagen- wie viel Prozent gewicht
Bedarf d. Anteils?
Beförderungsart Leerlauf/Lastlauf 32 % 53 % 17,0 %
Zugfrequenz Beladung, 68 % 60 % 40,8 %
Entladung/
Wiederbeladung
Lagerung beim Kun- Beladung 38 % 15 % 5,7 %
den
Service-Design 64 %
Disposition Leerlauf 20 % 13 % 2,6 %
Produkt- und Preis- Beladung, 68 % - -
differenzierung Entladung/
Wiederbeladung
Kapazitätssteuerung 2,6 %
288
Tabelle 26: Vergleich der exogenen Faktoren

Multipliziert man den Anteil der Stati am Güterwagenbedarf mit dem Einfluss der He-
belfaktoren, so zeigt sich die überragende Bedeutung des Service-Designs am Güterwa-
genbedarf (64 %). Die These zur Forschungsfrage 2 kann daher bestätigt werden. Selbst
wenn die Produkt- und Preisdifferenzierung komplett den verbliebenen Anteil an den
Stati Beladung und Entladung/Wiederbeladung erklären würde, läge das Gesamtgewicht
dennoch deutlich unter dem des Service-Designs.

Der Einfluss der Disposition auf den Güterwagenbedarf ist mit 2,6 % derartig gering,
dass die Relevanz der Leerlaufminimierenden Dispositionsmodelle zumindest für die
Minimierung des Güterwagenbedarfs in Frage gestellt ist.

6.5. Fazit

In Abschnitt 6 wurden die beiden Forschungsfragen anhand einer empirischen Studie

der Shi-Flotte beantwortet. Die wichtigste hierfür verwendbare Datenquelle besteht aus
den Auftragsdaten des Produktionssystems der DB Cargo AG. Hieraus können Beginn

288
Quelle: Eigene Darstellung

224
und Ende jedes Status pro Güterwagen zeitlich dokumentiert werden. Anhand des Sta-
tus-Modells aus Abschnitt 5 wurden die Thesen zu den Forschungsfragen in beobacht-
baren Größen operationalisiert.

Forschungsfrage 1: Wie viel Wagenkapazitäten benötigt man angesichts gegebener

Systemparameter (exogener Nachfrage- und Kapazitätsschwankungen), um ein be-
stimmtes Service-Level zu erreichen? Forschungsfrage 1 konnte anhand der Vertei-
lungsfunktion des Gesamtbedarfs nach Shi-Wagen beantwortet werden. Die zur For-
schungsfrage 1 aufgestellten Thesen konnten bestätigt werden:
- Die Abstraktion von Zeit-Raum-Netzwerken bei der Wagenbedarfsprognose ermög-
licht eine hohe Prognosegüte auf Tagesebene: Das in Abschnitt 4 auf Basis von Gü-
terwagenstati (unter Abstraktion des Zeitr-Raum-Netzwerks) entwickelte Prognose-
modell erklärt 80 % der Schwankungen im Güterwagenbedarf.
- Zur Spitzenabdeckung werden überproportional mehr Wagen benötigt als zur Grund-
versorgung. Zur Erhöhung des Service-Levels von 85 % auf 99% werden 21% Zu-
satzkapazitäten benötigt. Dies bedeutet eine überproportionale Steigerung im Kapazi-
tätsbedarf, so dass doe These durch die empirischen Daten bestätigt wird. Die Not-
wendigkeit von überproportionalen Kapazitätserhöhungen zur Verbesserung des Ser-
vice-Levels besteht allerdings nur überhalb eines Servie-Levels von 85 %.
Die zur Untermauerung dieser Thesen aufgestellten Unterthesen konnten, soweit opera-
tionalisiert, anhand der empirischen Studie bestätigt werden.

Forschungsfrage 2: Welche der beeinflussbaren Rahmenbedingungen haben den größ-

ten Hebel auf dieses Verhältnis von Wagenkapazitäten zu Service-Leveln? Forschungs-
frage 2 wurde anhand der Wirkung der Hebelfaktoren Service-Design, Disposition und
Produkt-/Preisdifferenzierung auf die einzelnen Güterwagenstati beantwortet werden. Je
größer der Einfluss auf den Status, und je höher der Anteil des Status am Güterwagen-
bedarf, desto größer ist die Hebelwirkung auf den Güterwagenbedarf. Die zur For-
schungsfrage 2 aufgestellte These konnte bestätigt werden:
Das Service-Design ist der größte Hebel zur Beeinflussung des Güterwagenbedarfs.
Das Service-Design beeinflusst über den Einzelwagenanteil, die Zugfrequenz sowie die
Lagerung von Wagen beim Kunden insgesamt 64 % des Wagenbedarfs. Die Kapazitäts-
steuerung (Disposition und Produkt-/Preisdifferenzierung) beeinflussen lediglich 3 %

225
des Güterwagenbedarfs. Die zur Untermauerung der These aufgestellten Unterthesen
konnten, soweit operationalisiert, bestätigt werden.

226
Zusammenfassung und Ausblick
Problemstellung der Arbeit
Zum Güterwagenmanagement besteht eine extrem umfangreiche Literaturbasis, die sich
aber fast ausschließlich mit komplexen mathematischen Dispositions-Verfahren (in so-
genannten Zeit-Raum-Netzwerken) auseinandersetzt. Empirische Arbeiten zum Güter-
wagenbedarf und zu den Hebelfaktoren des Güterwagenbedarfs sind demgegenüber
selten. Im Rahmen dieser Arbeit wurde versucht, diese Forschungslücke anhand einer
empirischen Studie zum Güterwagenmanagement der Deutschen Bahn AG zu schlie-
ßen. Dabei wurden folgende Forschungsfragen beantwortet:
1. Wie viel Wagenkapazitäten benötigt man angesichts gegebener Systemparameter
(exogener Nachfrage- und Kapazitätsschwankungen), um ein bestimmtes Service-
Level zu erreichen?
2. Welche der beeinflussbaren Rahmenbedingungen haben den größten Hebel auf die-
ses Verhältnis von Wagenkapazitäten zu Service-Leveln?

Besonderheiten des Dienstleistungsmanagements

Das Güterwagenmanagement umfasst die Kapazitätssteuerung in einer Dienstleistung,
dem Schienengütertransport. Dienstleistungen unterscheiden sich in zwei Besonderhei-
ten von Gütern: Der Immaterialität und der Integration des externen Faktors bei der
Leistungserstellung. Diese Besonderheiten stellen besondere Anforderungen an das Gü-
terwagenmanagement. Interne Konsequenzen sind:
- Hohe Fixkostenintensität und damit verbundene Probleme der Kostenträgerrechnung
- Aufteilung des Leistungserstellungsprozesses in determinierte/nicht determinierte
Teilprozesse; die Kapazitätsbestimmung ist für den determinierte Bereich besonders
wichtig.
- Es besteht die Notwendigkeit zur Planung des Nachfragerverhaltens bzw. zur geziel-
ten Einwirkung auf den externen Faktor.
Externe Konsequenzen sind:
- Dienstleistungen sind Leistungsversprechen, deren Qualität der Nachfrager nur sehr
schlecht beurteilen kann. Des weiteren besteht die Notwendigkeit zum Ausgleich von
Nachfrageschwankungen aufgrund der Integration des externen Faktors.

227
- Produkt- und Preisdifferenzierung sind stärker möglich als im Gütermarketing. Daher
Möglichkeit zur Steuerung des Kundenverhaltens.

Untersuchungsmethodik
Aufgrund der Besonderheiten des Dienstleistungsmanagements wurden die Güterwa-
genkapazitäten im Rahmen dieser Arbeit inputbezogen definiert, d.h. als Güterwagen-
bindung über Zeit. Das Güterwagenmanagement teilt sich auf in drei Kernprozesse:
- Nachfrageprognose (qualitativ und quantitativ)
- Kapazitätsableitung durch Festlegung des Service Design und Ableitung des daraus
resultierenden Wagenbedarfs.
- Steuerung durch Disposition (intern) und Preis- und Produktoffensive (extern).
Die Forschungsfragen wurden mit Methoden der quantitativen Planung beantwortet.
Aufgrund der Besonderheiten des Dienstleistungsmanagements bot die Simulation (ge-
genüber Heuristischen Verfahren und Optimalplanungsverfahren) am ehesten den er-
forderlichen Freiraum zur Beantwortung der Forschungsfragen.

Thesen zu den Forschungsfragen

Es wurden die Aussagen der relevanten Literatur zu den Forschungsfragen untersucht
und eigene Thesen aufgestellt. Zur Forschungsfrage 1 wurde folgende These aufgestellt:
Die Abstraktion von Zeit-Raum-Netzwerken bei der Wagenbedarfsprognose ermöglicht
eine hohe Prognosegüte auf Tagesebene. Zur Spitzenabdeckung werden überproportio-
nal mehr Wagen benötigt als zur Grundversorgung: Zur Erhöhung des Service-Levels
von 85% auf 99 % werden über17 % Zusatzkapazitäten benötigt. Diese These baut auf
folgenden Unterthesen zu den Kernprozessen des Güterwagenmanagements auf:
Zur quantitativen Bedarfsprognose:
- Die Bedarfe schwanken tageweise stärker als wöchentlich
- Bestellungen sind z.T. größer als der tatsächliche Güterwagenbedarf.
Zur qualitativen Bedarfsprognose:
- Die zeitliche Bindung der Güterwagen durch den Kunden schwankt stark
- Die flexible Nutzung von Wagenkapazitäten puffert interne Prozesse der Verla-
der und stellt ein wichtiges Leistungskriterium der Eisenbahn dar.
Zur Ableitung der benötigten Kapazitäten:
- Kausalmodelle eignen sich weniger zur Prognose als Zeitreihenmodelle

228
 - Kapazitätsermittlung mit Schwankungen in der Güterwagenbindung liefert ge-
nauere Bedarfsprognosen als mit konstanter Bindungsdauer je bestelltem Gü-
terwagen.

Zur Forschungsfrage 2 wurden folgende Thesen aufgestellt:

Das Service-Design ist der größte Hebel zur Beeinflussung des Güterwagenbedarfs.
Diese These baut auf folgenden Unterthesen zu den Kernprozessen des Güterwagen-
managements auf:

Entwicklung des Service Designs

- Das Service-Design stellt einen großen Hebel auf die beeinflussten Güterwagenstati
dar. Der Güterwagenbedarf ist um so höher je
o höher der Anteil an Einzelwagenverkehren ist
o länger die Pause zwischen Bedienfahrten ist
o eher die Wagen beim Kunden gelagert werden.
Disposition
- Die Disposition zur Leerlaufminimierung alleine stellt einen geringen Hebel auf die
beeinflussten Güterwagenstati dar.
- Der Dispositionsprozess wird aufgrund des täglichen Soll-/Ist-Abgleichs im Be-
stand leerer Wagen beim Kunden eher durch Lagerhaltungsmodelle wiedergegeben
als durch Modelle zur Leerlaufminimierung.
Produkt- und Preisdifferenzierung
- Die Produkt- und Preisdifferenzierung mit Standgeld alleine stellt einen geringen
Hebel auf die beeinflussten Güterwagenstati dar.

Modellentwicklung
In Abschnitt 5 wurde ein Datenmodell entwickelt, das den Güterwageneinsatz im Ge-
gensatz zur bisherigen Forschung nicht als Bewegungen im Zeit-Raum-Netzwerk, son-
dern als Folge von 7 verschiedenen Phasen im Wagenumlauf (Stati) formuliert. Die
Aufteilung der einzelnen Stati erfolgt durch beobachtbare Ereignisse, die im Produkti-
onssystem der DB Cargo AG dokumentiert werden (Abbildung 44).

229
Die Summe der 7 Wagenstati ist identisch mit der Wagenkapazität im Betrachtungszeit-
raum. Der tägliche Wagenbedarf wurde definiert als die im Rahmen des Kundenauf-
trags gebundenen Wagenkapazitäten:
- Beladung/Entladung
- Lastlauf/Leerlauf
- Auslandsausbleibezeit.
Der Service-Level eines Tages wurde definiert als das Verhältnis nachgefragter und
tatsächlich bereitgestellter Wagenkapazitäten. Durch Prognose des Wagenbedarfs konn-
te der Kapazitätsbedarf je Service-Level (Forschungsfrage 1) ermittelt werden. Die He-
belwirkung der beeinflussbaren Rahmenbedingungen (Forschungsfrage 2) konnte ein-
zelnen Stati zugeordnet und dadurch für jeden Hebelfaktor (Service Design, Disposition
und Produkt-/Preisdifferenzierung) einzeln gemessen werden.

Auslands- 6
aufenthalt

Leerwagen- 4
Vorrat
Standort A
1 2 Standort B
5 3
3 Leerlauf

5
Lastlauf

Leerwagen- 1 Leer stehend

Vorrat
2 Leerlauf
3 Beladung
4 Lastlauf
5 Entladung
Schadwagen-
Reparatur
6 Ausland
7 7 Schad

Abbildung 44: Ablaufschema des Güterwagenumlaufs mit Stati 1-7289

Ergebnisse der empirischen Studie

Die o.g. Thesen wurden anhand der empirischen Studie des Güterwagenmanagements
der Deutschen Bahn AG geprüft. Zur besseren Abgrenzung der Studie wurde das Gü-
terwagenmanagement einer spezifischen Branche, der Stahlindustrie, ausgewählt. Die
betrachtete Güterwagenflotte umfasst 4000 sogenannte Shi-Wagen zum Transport von

289
Quelle: Eigene Darstellung

230
Stahlcoils. Die o.g. Thesen zu den Forschungsfragen wurden anhand der Modellgrößen
operationalisiert, so dass sie im Rahmen der empirischen Studie getestet werden konn-
ten.

Ergebnisse zu Forschungsfrage 1
Tabelle 27 zeigt die Testergebnisse zu den Einzelthesen von Forschungsfrage 1. Die
Thesen konnten alle bestätigt werden, sofern sie operationalisiert worden waren. Die
Abstraktion von den in der Literatur dominierenden Zeit-Raum-Netzwerken zur Be-
darfsprognose ermöglich eine extrem hohe Prognosegüte des Kapazitätsbedarfs (80,2
%). Zur Abdeckung von tageweise auftretenden Bedarfsspitzen müssen überproportio-
nale Wagenkapazitäten vorgehalten werden, was in der relevanten Literatur bisher nicht
festgestellt worden war.

These qualitativ Wie wird die These getestet? Was ist der Prognosewert? Ist
Abstraktion von Zeit-Raum- Korrelationskoeffizient von prognostiziertem/gemessenen > 80 % 80,2 %
Netzwerken ermöglich hohe Progno- Güterwagenbedarf/Tag
següte auf Tagesebene
Zur Spitzenabdeckung werden über- Zusatzbedarf an Wagenkapazitäten (in %) zur Steigerung > 17 % 21 %
proportional mehr Wagen benötigt des Service-Levels von 85 % auf 99 %
als zur Grundversorgung
Die Wagenbedarfe schwanken tage- Standardabweichung der Tagesbedarfe, geteilt durch die > 1 7,70
weise stärker als wöchentlich Standardabweichung der Wochenmittel
Bestellungen sind z.T. größer als d. Mittelwert der Bestellungen/Mittelwert des beladenen Aus- > 1 1,2
tatsächliche Güterwagenbedarf gangs für die 8 größten Versandstandorte
Die zeitl. Bindung der Güterwagen Standardabweichung der mittleren Bindung je Status (in % *) 0,33
durch den Kunden schwankt stark. des Mittelwerts)
Kausalmodelle eignen sich weniger Verhältnis des Korrelations-koeffizienten (Prognose-/Ist- > 1 1,86
zur Prognose als Zeitreihenmodelle Bedarf an Güterwagen) des Zeitreihenmodells vs. der Mo-
nats-/Wochenmittel des Wagenbedarfs
Kapazitätsermittlg m. Schwankun- Verhältnis des Korrelations-koeffizienten (Prognose-/Ist- > 1 2,22
gen in der Güterwagenbindung ist Bedarf an Güterwagen) bei schwankender vs. konstanter
genauer als m. konst. Bindungsdauer Bindung
*) Es wurde hier kein Schwellenwert festgelegt.
Tabelle 27: Prognose und Ist-Werte der einzelnen Thesen290

290
Quelle: Eigene Darstellung

231
Ergebnisse zu Forschungsfrage 2
Die Wirkung eines Hebelfaktors ergibt sich durch den Anteil der beeinflussten Stati am
Güterwagenbedarf, multipliziert mit dem Einfluss der Hebelfaktoren. Tabelle 28 zeigt
die relative Wirkung der betrachteten Hebelfaktoren auf den Güterwagenbedarf. Die
Beförderungsart beeinflusst z.B. den Last- und Leerlauf des Güterwageneinsatzes. Last-
und Leerlauf umfassen 32 % des Wagenbedarfs. Die Schwankungen der zeitlichen Bin-
dung einzelner Wagen im Last- und Leerlauf wird zu 53 % durch die Beförderungsart
erklärt. Das Gesamtgewicht der Beförderungsart auf den Güterwagenbedarf beträgt da-
her 0,32 x 0,53 = 0,17.

Die beeinflussbaren Rahmenbedingungen zerfallen in zwei Hauptblöcke:

- Kapazitätssteuerung: Die in der Literatur entwickelten Modelle zur Optimierung der
Leerlaufbewegungen (Zeit-Raum-Netzwerke) wirken lediglich auf 13 % des Güter-
wagenbedarfs. Der Einfluss der Disposition auf den Güterwagenbedarf ist mit 2,6 %
derartig gering, dass die Relevanz der Leerlaufminimierenden Dispositionsmodelle
zumindest für die Minimierung des Güterwagenbedarfs in Frage gestellt ist. Die
Hebelwirkung von Produkt- und Preisdifferenzierung wurde gleich Null einge-
schätzt, da keine effektive Beeinflussung des Güterwagenbedarfs unterhalb der
durchschnittlichen Ladefristen erfolgt.
- Service Design: Gegenüber der in der Literatur fast ausschließlich betrachteten Ka-
pazitätssteuerung kommt dem Service-Designs für den Güterwagenbedarf eine über-
ragende Bedeutung zu (64 % des Güterwagenbedarfs). Die These zur Forschungs-
frage 2 kann daher voll bestätigt werden. Selbst wenn die Produkt- und Preisdiffe-
renzierung komplett den verbliebenen Anteil an den Stati Beladung und Entla-
dung/Wiederbeladung erklären würde, läge das Gesamtgewicht der Kapazitätssteue-
rung dennoch deutlich unter dem des Service-Designs.

232
Hebelfaktor Beeinflusster Anteil an Hebelfaktor erklärt wie Gesamt-
Status Wagenbedarf viel Prozent d. Anteils? gewicht
Beförderungsart Leerlauf/Lastlauf 32 % 53 % 17,0 %
Zugfrequenz Beladung, 68 % 60 % 40,8 %
Entladung/
Wiederbeladung
Lagerung beim Kun- Beladung 38 % 15 % 5,7 %
den
Service-Design 64 %
Disposition Leerlauf 20 % 13 % 2,6 %
Produkt- und Preis- Beladung, 68 % - -
differenzierung Entladung/
Wiederbeladung
Kapazitätssteuerung 2,6 %
Tabelle 28: Vergleich der exogenen Faktoren291

Implikationen für die Forschung

In Bezug auf die Forschungsfragen bieten sich folgende Ansatzpunkte für weitere For-
schungsarbeiten:
- Die wichtigste Erkenntnis dieser Arbeit für die wissenschaftliche Arbeit ist die ge-
ringe Bedeutung des „Traveling-Salesman Problems“ für die Minimierung des Gü-
terwagenbedarfs. Es kommt eben weniger darauf an, über welche Strecke die Leer-
wagen herbeigefahren werden – vielmehr, wie oft gefahren wird, und wie hoch die
Güterwagenbestände der einzelnen Standorte sind. Vor diesem Hintergrund weisen
Modelle aus Basis von Zeit-Raum-Netzwerken gravierende Defizite auf. Die Wei-
terentwicklung von Lagerhaltungsmodellen zur Güterwagendisposition ist vor die-
sem Hintergrund notwendig und sinnvoll.
- Bisher wurde das Service-Design des Schienengüterverkehrs in erster Linie in den
Auswirkungen auf die Lastlaufqualität untersucht. Die Wechselwirkung zwischen
Service-Design und Güterwagenbedarf wurde nur vereinzelt betrachtet. Angesichts
der enormen Bedeutung für die Kapazitätsvorhaltung besteht hier großer Nachhol-
bedarf. Es Bedarf weiterer Simulationsarbeiten zur Wechselwirkung der einzelnen
Aspekte des Service-Designs. Im Vordergrund der Untersuchungen sollte die Ver-

291
Quelle: Eigene Darstellung

233
 besserung der Stetigkeit in der Güterwagenbindung stehen (Stetigkeitsprinzip der
Logistik).
- Im Rahmen dieser Arbeit konnte die Beeinflussung des Wagenbedarfs durch Pro-
dukt- und Preisdifferenzierung nur anhand der bestehenden Regelung untersucht
werden. Es ist schwer vorstellbar, dass ein anders als die bisherige Standgeldrege-
lung gestalteter finanzieller Anreiz ohne Wirkung auf den Güterwagenbedarf blei-
ben muss. Kundenbefragungen mit Conjoint-Befragungen sind hier notwendig, um
die pekuniäre Bedeutung der Be-/Entladedauern gegenüber dem Lastlaufpreis und
anderen Qualitätsmerkmalen zu ermitteln.

In Bezug auf die Untersuchungsmethodik des Güterwagenmanagements können folgen-

de Konsequenzen abgeleitet werden:
- „Non-user Compliance“ und strategisches Verhalten seitens Kunden haben er-
hebliche negative Auswirkungen auf die Vorteilhaftigkeit der Nutzung komple-
xer Entscheidungsmodelle. Zukünftige Forschungsarbeiten im Bereich des Ope-
rations Research müssen sich stärker mit der Umsetzung der mathematischen
Verfahren auseinandersetzen. Die normative Entscheidungstheorie bietet wenig
Vorteile gegenüber der deskriptiven Entscheidungstheorie zur Lösung dieser
Fragen. Ansätze der Spieltheorie/Pricipal-Agent-Theorie müssen stärker verfolgt
werden.
- Es ist eine stärkere Kombination von quantitativen und qualitativen Untersu-
chungsmethoden notwendig, da die Strukturvoraussetzungen von quantitativen
Ansätzen meist nicht gegeben sind.
- Zur Erhöhung des Problembezugs quantitativer Arbeiten sind weitere empiri-
sche Studien des Güterwagenmanagements notwendig. Es empfehlen sich insbe-
sondere Vergleichende Untersuchungen mehrerer Gattungen, da so Unterschiede
im Kontext besonders gut ermittelt werden können.

Aufgrund der nach wie vor erheblichen Produktivitätslücke der Güterwagen gegenüber
dem Lkw und der im Rahmen dieser Arbeit aufgezeigten Optimierungspotenziale bleibt
das Forschungsgebiet Güterwagenmanagement auch nach Jahrzehnten der Forschung
ein fruchtbares Gebiet. Nach den Erkenntnisse dieser Arbeit kann die Relevanz weiterer
Arbeiten durch die Berücksichtigung der o.g. Anregungen deutlich gesteigert werden.

234
Abkürzungsverzeichnis

AAR American Association of Railroads; Verband der US-amerikanischen

Eisenbahnverkehrsunternehmen.
ARIMA Autoregressive Integrated Moving-Average; Methode der Zeitreihenana
lyse, welche die Autokorrelation einer Zeitreihe zur Verbesserung der
Prognosegenauigkeit nutzt.
BfuP Betriebswirtschaftliche Forschung und Praxis
DB Cargo Güterverkehrssparte der Deutschen Bahn AG bis zum 1.9.2003. Danach
Bestandteil der Stinnes AG.
EW Einzelwagenverkehr; Transporte, de regional gesammelt und zu einem
geschlossenen Hauptlauf gebündelt werden.
FfbF Zeitschrift für betriebswirtschaftliche Forschung
FIV FahrzeugInformations/Vormeldesystem; Vorgänger des LWM-Systems
bei der Deutschen Bundesbahn.
Gag Ganzzugverkehr; Transporte, die in einem geschlossen Zugverband von
einem Kunden zum anderen erfolgen.
KSZ KundenServiceZentrum; Call-Center der DB Cargo AG zur Entgegen
nahme von Kundenaufträgen wie Leerwagenbestellungen in Duisburg.
Die komplette Güterwagendisposition erfolgt im KSZ.
LWM LeerWagenManagement; Bezeichnung für IT-System und Prozess der
Leerwagenverfügung bei der DB Cargo AG.
OR Operations Research
PVG ProduktionsVerfahrenGüterverkehr; IT-System des Eisenbahnbetriebs
der DB Cargo AG. Alle Güterwagenbewegungen werden darin dokumen-
tiert.
RWÜ RechnergestützteWagen-Überwachung; Vorgänger des LWM-Systems
bei der Deutschen Reichsbahn.
Shi Gattungsbezeichnung von gedeckten Höckerwagen zum Transport von
Stahlcoils.
USRA United States Railway Association
WVS WirtschaftsVereinigungStahl; Bundesverband der Stahlindustrie mit Sitz
in Düsseldorf.
ZfB Zeitschrift für Betriebswirtschaft

235
Literaturverzeichnis

Adam, Dietrich (1992): Planung und Entscheidung. Modelle - Ziele - Methoden;

Gabler, Wiesbaden, 3. Auflage

Adam, Dietrich (1996): Planung und Entscheidung : Modelle - Ziele – Methoden; 4.

Aufl., Gabler, Wiesbaden

Adamidou, E. A.; Kornhouser, A. L.; Koskosidis, Y. A. (1993): A game theoreti-

cal/network equilibrium solution Approach for the Railroad Car Management Problem;
In: Transportation Research B, Bd. 27, S. 237-252

Alderson, Wroe (1950): Marketing Efficiency and the Principle of Postponement; In:
Cost and Profit Outlook, September 1950, S. 3

Babcock, Michael W.; Lu, Xioohua; Norton, Jerry (1999): Time Series Forecasting of
quarterly Railroad Grain Carloadings; In: Transportation Research Part E, Bd. 35, S. 43-
57

Babcock, M. W. (1981): National and regional forecast of rail demand to 19851981; In:
Proceedings of the Transportation Research Forum, 22, S. 394-402

Babcock, M. W.; German, W. (1982): Forecast of agricultural rail demand to 19851982;

In: Proceedings of the Transportation Research Forum, 23, S. 589-598

Babcock, M. W.; German, W. (1983): 1985 Forecast: Rail share of intercity manufac-
tures freight markets1983; In: Proceedings of the Transportation Research Forum, 24, S.
614-620

Backhaus, Klaus; Ewers, Hans-Jürgen; Büschken, Joachim; Fonger, Matthias (1992):

Marketingstrategien für den schienengebundenen Güterfernverkehr; Universität Müns-
ter, Beiträge des Instituts für Verkehrswissenschaft, Heft 126; Göttingen

Bargl, Michael (1994): Akzeptanz und Effizienz computergestützter Dispositionssyste-

me in der Transportwirtschaft : empirische Studien zur Implementierungsforschung von
Entscheidungsunterstützungssystemen am Beispiel computergestützter Tourenpla-
nungssysteme; Lang , Frankfurt a. M.

Beaujon, G. J.; Turnquist, M. A. (1991): A Model for Fleet Sizing and Vehicle Alloca-
tion; In: Transportation Science, Bd. 25, S. 19-45

Benkenstein, Martin (1993): Dienstleistungs-Qualität. Ansätze zur Messung und

Implikation für die Steuerung; In: ZfB, 11(63), S. 1095-1116

Berekoven, Ludwig (1974): Der Dienstleistungsbetrieb; Betriebswirtschaftlicher Ver-

lag; Wiesbaden

Berens, W.; Delfmann, W. (1995): Quantitative Planung; Schäffer-Poeschel, Stuttgart,

2. Auflage

236
Berens, Wolfgang; Delfmann, Werner (2002): Quantitative Planung; Schäffer-Poeschel,
Stuttgart, 3. Auflage

Berry, Leonard L. (1980): Services Marketing is different; In: Business, May-June

1980, S. 24-30

Beshers, E. W.; Baumel, C. P.; Van Der Kamp, J. (1994): A Potential Solution for the
Railroad Grain Car Shortage Problem; In: Transportation Research Forum, 36th Annual
Conference, Bd. 2, S. 421-436

Beurrier, A.; Demota, P.; Pomerol, J.-C. (1990): Distribution of empty railcars by an
expert system: A case study with comparison with OR approaches; In: Journal of the
Operational Research Society 41, S. 527-537

Biethahn, Jörg (Hrsg.) (1999): Simulation als betriebliche Entscheidungshilfe; Physica-

Verlag, Heidelberg

Blanchard, O. J. (1983): The Production and Inventory Behavior of the American

Automobile Industry; In: Journal of Political Economy, Bd. 91, S. 365-400

Blinder, A. S. (1982): Inventories and Sticky Prices; In: American Economic Review,
Bd. 72, S. 334-349

Bode, Jürgen; Zelewski, Stephan (1992): Produktion von Dienstleistungen: Ansätze zu

einer Produktionswirtschaftslehre der Dienstleistungsunternehmen?; In: BFuP, 6(44), S.
594-607

Bojovic, N. J. (2002): A General System Theory Approach to Rail Freight Car Fleet
Sizing; In: European Journal of Operational Research, Bd. 136, S. 136-172

Bookbinder, James; Serenda, Noreen (1987): A DRP-approach to the management of

rail car inventories; In: Logistics and Transportation Review 23(3); S. 265-280

Bretzke, W. (1980): Der Problembezug von Entscheidungsmodellen; Mohr-Verlag, Tü-

bingen

Bruhn, M.; Corsten, Hans; Stuhlmann, Stephan (Hrsg.) (1997): Kapazitätsmanagement

in Dienstleistungsunternehmungen: Grundlagen und Gestaltungsmöglichkeiten; Gabler,
Wiesbaden

Bruhn, M.; Meffert, H. (Hrsg) (1998): Handbuch Dienstleistungsmanagement, Gabler,

Wiesbaden, S. 53-71

Bucklin, Louis P. (1965): Postponement, Speculation and the Structure of Distribution

Channels; In: Journal of Marketing Research, Bd. 2 (Feb. 65), S. 27

Buxton, F. K. (1982): Railcar and barge equipment needs for future U.S. grain move-
ment1982; In: Proceedings of the Transportation Research Forum, 23, S. 599-607

237
Campbell, K. C. (1996): Booking and Revenue Management for Rail Intermodal Ser-
vices; Ph. D. Dissertation, Department of Systems Engineering, University of Pennsil-
vania

Caplin, A. S. (1985): The Variability of Aggregate Demand with (s,S) Inventory Poli-
cies; In: Econometrica, Bd. 53, S. 1395-1409

Chiang, Te-Wie; Hau, Hai-Yen; Chiang, Hwang-Ming; Ko, Sun-Yun; Hsieh, Chao-Ho
(1998): Knowledge-based systems for railway scheduling; Data&Knowledge Engineer-
ing 27 (1998), S. 289-312

Clar, Peter (1964): Die Kapazitätsnutzung in der Industrieunternehmung;

Dunckler&Humblot, Berlin

Cordeau, Jean-Francois; Desaulniers, Guy; Lingaya, Norbert; Soumis, Francois, Desro-

siers, Jacques (2001): Simultaneous locomotive and car assignment at VIA Rail; In:
Canada Transportation Research B 35 (2001), S. 767-787

Corsten, Hans (1986): Zur Diskussion der Dienstleistungsbesonderheiten und ihre öko-
nomischen Auswirkungen; In: Jahrbuch der Absatz- und Verbraucherforschung, 1(86),
S. 16-41

Corsten, Hans (1990): Betriebswirtschaftslehre der Dienstleistungsunternehmungen;

Oldenbourg-Verlag; München, Wien

Corsten, Hans (1996a): Controlling in Dienstleistungsunternehmen In: Schulte, C.

(Hrsg.): Lexikon des Controlling; Oldenbourg, München, Wien, S. 161-166

Corsten, Hans (1996b): Rationalisierungsmanagement in Dienstleistungsunternehmun-

gen; Schriften zum Produktionsmanagement Universität Kaiserslautern (Nr. 6), Kaisers-
lautern

Corsten, Hans (1997): Dienstleistungsmanagement; 3. Auflage, Oldenbourg-Verlag,

München, Wien

Corsten, Hans (2001): Ansatzpunkte für ein integratives Dienstleistungsmanagement;

In: Bruhn, M.; Meffert, H. (Hrsg): Handbuch Dienstleistungsmanagement, Gabler,
Wiesbaden, S. 53-71

Corsten, Hans; Stuhlmann, Stephan (1997): Das Kernprozess-Modell als Orientierungs-

rahmen für ein Kapazitätsmanagement in Dienstleistungsunternehmen; In: Corsten,
Hans;
Stuhlmann, Stephan (Hrsg.): Kapazitätsmanagement in Dienstleistungsunternehmun-
gen: Grundlagen und Gestaltungsmöglichkeiten, Gabler, Wiesbaden, S. 3-53

Corsten, Hans; Stuhlmann, Stephan (1998): Yield Management - Ein Ansatz zur kapazi-
tätsplanung und -steuerung in Dienstleistungsunternehmungen; Schriften zum Produkti-
onsmanagement der Universität Kaiserslautern (Nr. 18), Kaiserslautern

Crainic, T. G.; Laporte, G. (1997): Planning Models for Freight Transportation; In:
European Journal of Operational Research, Bd. 97, S. 409-438

238
Cuena, Joe; Hernandez, Josefa; Molina, Martin (1995): Knowledge-based models for
adaptive traffic management systems; In: Transportation Research 3C (1995), S. 311-
337

Danowski, Kamen (1997): Computergestützte Fahrtendisposition in fahrplan- und be-

darfsgesteuerten Verkehrssystemen; Cuvilier-Verlag, Göttingen

Daudel, Sylvain; Vialle, George (1992): Yield Management - Erträge optimieren durch
nachfrageorientierte Angebotssteuerung; Campus-Verlag; Frankfurt et al.

De Geeter, Georges (2003): How to reduce demurrages of (state owned) external wag-
ons in the steel works at Sidmar, Belgium; unveröffentlichter Tagungsbericht der 23.
International Works Transport Conference in Linz.

Deinhardt, H. (1978): Geschwindigkeiten, Reisezeiten, Wagenumlaufzeiten im Schie-

nengüterverkehr; In: Die Bundesbahn, 54(7), S. 507-511

Dejax, P. J.; Crainic, T. G. (1987): A Review of Empty Flows and Fleet Management
Models in Freight Transportation; In: Transportation Science, Bd. 21, S. 227-247

Dejax, Pierre; Bookbinder, James H. (1991): Goods Transportation by the French Na-
tional Railway (SNCF): The Measurement and Marketing of Reliability; In: Transpor-
tation Re
search Record A, Bd. 25a, No. 4, S. 219-225

Domschke, W. (1996): Logistik: Standorte; 4. Aufl., München, Wien

Domschke, Wolfgang; Drexl, Andreas (1990): Einführung in Operations-Research;

Springer, Berlin

Drexl, Andreas; Pesch, Erwin; Salwski, Frank (1995): Zur Bedeutung der Modellbil-
dung für die Entwicklung wissensbasierter Systeme; In: ZfB 20(65), S. 1135-1153

Du, Yafeng; Hall, Randolph (1997): Fleet Sizing and Empty Equipment Redistribution
for center-terminal Transportation Networks; In: Management Science, 43(2), S. 145-
157

Engelhardt, W. H. (1989): Dienstleistungsorientiertes Marketing. Antwort auf die Her-

ausforderung durch neue Technologien In: Adam, D. et al. (Hrsg.): Integration und Fle-
xibilität. Eine Herausforderung für die Allgemeine Betriebswirtschaftslehre, Gabler,
Wiesbaden, S. 269-288

Engelhardt, W. H.; Kleinaltenkamp, M.; Reckenfelderbäumer, M. (1993): Leistungs-

bündel als Absatzobjekte. Ein Ansatz zur Überwindung der Dichotomie von Sach- und
Dienstleistungen; In: ZfbF, Bd. 45, S. 395-426

Faßnacht, Martin (1997): Preisdifferenzierungen bei Dienstleistungen. Begriff und Um-

setzung; In: Wirtschaftswissenschaftliches Studium, Bd. 26, S. 183-187

239
Faßnacht, Martin; Homburg, Christian (2001): Preisdifferenzierungen als Instrument
des Kapazitätsmanagements; In: Corsten, Hans; Stuhlmann, Stephan (Hrsg.): Kapazi-
tätsmanagement in Dienstleistungsunternehmungen: Grundlagen und Gestaltungsmög-
lichkeiten,
Gabler, Wiesbaden, S. 137-152

Fay, Alexander (1999): Wissensbasierte Entscheidungsunterstützung für die Disposition

im Schienenverkehr : Eine Anwendung von Fuzzy-Petrinetzen; VDI-Verl. , Düsseldorf

Feeney, G. (1957): Controlling the Distribution of empty Freight Cars; In: Proceedings
of the 10th national meeting, Operations Research Society of America

Feitzinger, Edward; Lee, Hau L. (1997): Mass Customization at Hewlett Packard: The
Power of Postponement; In: Harvard Business Review, Jan-Feb 97, S. 116-121

Fischer, Jan Paul (1993): Expertensystemkonzept für die Fahrwegdisposition von

Werksbahnen; Braunschweig, Techn. Univ., Diss.

Gabriel, Roland; Frick, Detlev (1990): Wissensbasierte Systeme in der Betriebswirt-

schaftslehre Ruhr-Universität Bochum; Arbeitsbericht 90/1 des Lehrstuhls für Wirt-
schaftsinformatik

Gendreau, M.; Laporte, G.; Séguin, R. (1996): Stochastic Vehicle Routing; In: Euro-
pean Journal of Operations Research, Bd. 88, S. 3-12

Gerhardt, J. (1987): Dienstleistungsproduktion. Eine produktionstheoretische Analyse

der Dienstleistungsprozesse; Josef Eul-Verlag, Bergisch-Gladbach

German, W.; Babcock, M. W. (1985): Econometric models and railroad demand

forecasting; Council of Logistics Management, Annual Conference proceedings, S. 263-
274
Gietz, M. (1994): Computergestützte Tourenplanung mit zeitkritischen Restriktion;
Physica Verlag, Heidelberg

Glickmann, S. T.; Sherali, D. H. (1985): Large-scale Network Distribution of pooled

empty Freight Cars over Time, with limited Substitution and equitable Benefits; In:
Transportation Research B, Bd. 19, S. 85-94

Golden, B. L.; Assad, A. A. (1986): Perspectives on Vehicle Routing: Exciting new

Developments; Operations Research 34, S. 803-810

Griffel, Niels (1999): Prozeßkette Ablaufsimulation : Voraussetzung zur systematischen

Planung komplexer Produktionssysteme mit hohem Nutzungsgrad; Hieronymus-Verlag,
München

Hall, R. W. (1999): Stochastic Freight Flow Patterns: Implications for Fleet Optimiza-
tion; In: Transportation Research A, Bd. 33, S. 449-465

Hall, R. W.; Zhong, H. (2002): Decentralized Inventory Control Policies for Equipment
Management in a many-to-many Network; In: Transportation Research A, Bd. 36, S.
849-865

240
Heinen, E. (1976): Grundlagen betriebswirtschaftlicher Entscheidungen; 3. Auflage,
Gabler-Verlag, Wiesbaden

Hentschel, B. (1992): Dienstleistungsqualität aus Kundensicht. Vom merkmals- zum

ereignisorientierten Ansatz; Dt. Universitätsverlag, Wiesbaden

Herren, H. (1977): Computer-controlled Empty Wagon Distribution on the SBB; In:

Rail International, Bd. 8, S. 25-23

Hilke, W. (1989): Dienstleistungs-Marketing. Grundprobleme und Entwicklungsten-

denzen des Dienstleistungs-Marketing; Gabler, Wiesbaden

Hilke, Wolfgang (1984): Dienstleistungs-Marketing aus Sicht der Wissenschaft; Ar-

beitsbericht Nr. 19, Diskussionsbeiträge des Betriebswirtschaftlichen Seminars der Al-
bert-Ludwigs-Universität Freiburg

Holmberg, K.; Joborn, M.; Lundgren J. T. (1998): Improved empty Freight Car Distri-
bution; In: Transportation Science, Bd. 32, S. 163-173

Hoover, Stewart V.; Perry, Ronald F. (1990): Simulation - a problem-solving approach;

Addison-Wesley; Reading u.a.

Julitz, Lothar (1998): Bestandsaufnahme Deutsche Bahn; Eichborn-Verlag, Frankfurt

Jünemann, Reinhardt (1989): Materialfluss und Logistik; Springer, Berlin

Kabath, Martin (1997): Das Konzept der periodischen Tourenplanung: Potenziale und
Einsatzmöglichkeiten in Entscheidungsunterstützungssystemen für die
Distributionslogistik; Shaker-Verlag, Aachen

Kahn, J. A. (1987): Inventories and the Volatility of Production; In: American Eco-
nomic Review, Bd. 77, S. 667-679

Keaton, Mark H. (1989): Designing optimal Railroad Operating Plans: Lagrangian Re-
laxation and Heuristic Approaches; In: Transportation Research B, Bd. 23 (6), S. 415-
431

Keaton, Mark H. (1991): Service-Cost Trade-offs for Carload Freight Traffic in the U.S.
Rail Industry Transportation; In: Research Record A, Bd. 25a, No. 6, S. 363-374

Keen, Peter G. W. (1992): Informationstechnologie; Ueberreuter, Wien

Kern, Werner (1962): Die Messung industrieller Fertigungskapazitäten und ihrer Aus-
nutzung. Grundlagen und Verfahren; Westdeutscher Verlag, Köln-Opladen

Kern, Werner (1976): Die Produktionswirtschaft als Erkenntnisbereich der Betriebs-

wirtschaftslehre; In: ZfbF, Bd. 28, S. 756-767

Kessel + Partner (1998): Kapazitätsauslastung und Leerfahrten im Gütertransport;

VDA, Frankfurt a. M.

241
Kimes, Sheryl E. (1989): Yield Management: A tool for capacity-constrained service
firms; Journal of Operations Management, 4(8), S. 348-363

Kleinenaltkamp, M.; Marra, A. (1997): Kapazitätsmanagement bei Integration externer

Faktoren; In: Corsten, Hans; Stuhlmann, Stephan (Hrsg.): Kapazitätsmanagement in
Dienstleistungsunternehmungen: Grundlagen und Gestaltungsmöglichkeiten, Gabler,
Wiesbaden, S. 55-80

Kleinenaltkamp, Michael (1993): Standardisierung und Marktprozeß. Entwicklung und

Auswirkungen im CIM-Bereich; Gabler, Wiesbaden

Kleinenaltkamp, Michael (2001): Begriffsabgrenzungen und Erscheinungsformen von

Dienstleistungen; In: Bruhn, M.; Meffert, H. (Hrsg): Handbuch Dienstleistungsmana-
gement, Gabler, Wiesbaden, S. 27-50

Klinge, Karl-Albrecht (1998): Konzept eines fahrzeugautarken Ortungsmoduls für den

spurgebundenen Verkehr; Shaker-Verlag, Aachen

Kohlmüller, Gert (1987): Analyse von Zeitreihen mit Kalenderunregelmäßigkeiten;

Verlag Josef Eul, Bergisch Gladbach Köln

Kornhauser, A. L. (1987): Expert-Systeme für die optimale Echtzeitbewirtschaftung des

rollenden Materials bei Eisenbahnen; Schienen der Welt, Januar-Februar, S. 23-32

Kotler, Philip; Bliemel, Friedhelm (1999): Marketing-Management: Analyse, Planung,

Umsetzung und Steuerung; 9. Auflage, Schäffer-Poeschel; Stuttgart

Kraft, E. R. (1998): A reservations-based Railway Network Operations Management

System; Phd thesis, University of Pennsylvania, USA

Kunzmann, R.; Grosch, G., Simonis, W. (1991): Das fachliche Konzept; In: Die Bun-
desbahn, Bd. 4 (Spezialausgabe), S. 390-394

Kunzmann, R.; Simonis, W. (1988): Neue Wege in der Leerwagendisposition; In: ETR,
37(8), S. 497-501

Kwon, O. K.; Martland, C. D.; Sussman, J. M. (1998): Routing and scheduling temporal
and heterogeneous Freight Car Traffic on Rail Networks; In: Transportation Research
E, Bd. 34, S. 101-115

Kwon, O. K.; Martland, C. D.; Sussman, J. M.; Little, P. (1995): Origin-to-destination

Trip Time and Reliability of Freight Services in north american Railroads; In: Transpor-
tation Research Record, Nr. 1489, S. 1-8

Kwon, O. K.; Sussman, J. M.; Martland, C. D. (1995): Developing Insights on Effects

of Service Differentiation in Rail Freight Transportation Systems; In: Journal of the
Operational Research Forum, 2(35), S. 30-43

Lang, A. S.; Roberts, P. O.; Sammon, J. P. (2000): Car Scheduling: What's the Point?;
In: Transportation Research Record, Nr. 1707, S. 3-12

242
Leddon, C. D.; Wrathall, E. (1968): Scheduling empty Freight Car Fleets on the Louis-
ville and Nashville railroad; In: Cybernetics Electronic Railways, S. 3, S. 154-158

Lee, H. L.; Padmanabhan, V.; Whang, S. (1997a): Information Distortion in a Supply

Chain: The Bullwhip Effect; In: Management Science, 4(43), S. 546-558

Lee, H. L.; Padmanabhan, V.; Whang, S. (1997b): The Bullwhip-Effect in Supply

Chains; In: Sloan Management Review 8(45), S. 93-102

Lee, H. L.; Padmanabhan, V.; Whang, S. (1997c): Der Peitscheneffekt in der Absatzket-
te; In: Harvard Business Manager, 4(97), S. 78-87

Levitt, Theodore (1981): Marketing intangible products and product intangibles; In:
Harvard Business Review, May-June 1981, S. 94-102

Liebl, Franz (1995): Simulation - Problemorientierte Einführung; 2. Aufl.; Oldenbourg;

München/Wien

Malavasi, Gabriele; Ricci, Stefano (2001): Simulation of stochastic elements in railway

systems using self-learning processes; In: European Journal of Operations Research 131
(2001), S. 262-272

Maleri, R. (1994): Grundlagen der Dienstleistungsproduktion, 3. Aufl., Springer, Berlin

Maleri, Rudolf (1970): Betriebswirtschaftliche Probleme der Dienstleistungsproduktion;

Bamberger Fotodruck, Bamberg

Martland, C. D.; Little, P. (1993): Causes of unreliable Service in North American Rail-
roads; In: Proceedings of the Transportation Research Forum 35

McGill, J. I.; Van Ryzin, G. J. (1999): Revenue Management: Research Overview and
Prospects; In: Transportation Science 33, S. 233-256

Meffert, H. (1984): Thesen zu den Problembereichen des Dienstleistungsmarketing; In:

Meffert, H.; Wagner, H. (1984): Dienstleistungsmarketing, Arbeitspapier Nr. 19,
Wissenschaftliche Gesellschaft für Marketing und Unternehmensführung, Münster, S.
3-9
Mendiratta, V. B.; Turnquist, M. A. (1983): Model for management of empty freight
cars; In:Transportation Research Record, 838, S. 50-55

Mengen, A. (1993): Konzeptgestaltung von Dienstleistungsprodukten. Eine Conjoint-

Analyse im Luftfrachtmarkt unter Berücksichtigung der Qualitätsunsicherheit beim
Dienstleistungseinkauf; Schäffer-Poeschel, Stuttgart

Meyer, A. (1984): Marketing für Dienstleistungs-Anbieter. Vergleichende Analyse ver-

schiedener Dienstleistungsarten; In: Hermanns, A. et al. (Hrsg.): Zukunftsorientiertes
Marketing für Theorie und Praxis, Meyer-Verlag, Berlin, S. 197-213

Meyer, A. (1994): Dienstleistungs-Marketing. Erkenntnisse und praktische Beispiele; 6.

Aufl., FGM-Verlag, Augsburg

243
Misra, S. C. (1972): Leerwagenverteilung mit Hilfe der linearen Optimierung; In:
Schienen der Welt, 3(4), S. 283-291

Morgenbesser, M. J. (1978): The Relationship between Railroad Work Rules and Oper-
ating Plans; In: MIT Studies in Railroad Operations and Economics, Nr. 31

Morgenbesser, M. J.; Martland, C. D.; Laughlin, M. O. (1979): The Economics of run-

ning more Trains; In: Multisystems, Cambridge MA

Müller-Meerbach, H. (1976): Morphologie heuristischer Verfahren; In: Zeitschrift für

Operations Research, Bd. 20; S. 69-87

Noll, Thorsten (2002): Tourenplanungssoftware in der Transportwirtschaft – Grundla-

gen, Softwarevorstellung, Marktakzeptanz; unveröffentliche Studienarbeit der DB Car-
go AG

o. V. (1993): Gabler-Wirtschaftslexikon (8 Bd.); 13. Aufl., Gabler,Wiesbaden

Pällmann, Wilhelm (1991): Güterwagen Transportmittel à la carte; In: Die Bundesbahn

4 (1991) (Spezialausgabe), S. 387

Parasuraman, A.; Zeithaml, Valarie A.; Berry, Leonard L. (1985): A conceptual Model
of Service Quality and its Implications for future Research; In: Journal of Marketing,
Bd. 49, Heft 1, S. 41-50

Pfohl, H-C. (1977): Problemorientierte Entscheidungsfindung in Organisationen; de

Gruyter, Berlin

Philip, C. E.; Sussmann, J. M. (1977): Application of an Inventory Model to the Rail-

road Empty Car Distribution Process; In: Transportation Research Record, Nr. 656, S.
52-60

Pidd, Michael (1992): Computer Simulation in Management Science; 3. Aufl.; Wiley-

Verlag; Chichester/New York

Plinke, W. (1995): Grundlagen des Marktprozesses; In: Kleinenaltkamp, M.; Plinke, W.

(Hrsg.): Technischer Vertrieb - Grundlagen, Springer, Berlin, S. 3-95

Poff, B. D.; Kuch, L. G. (1982): Consolidated rail corporation's freight car forecasting
model; In: 1982 Proceedings of the Transportation Research Forum 23, S. 119-128

Potvin, J.-Y.; Dufour, G.; Rousseau, J.-M. (1993): Learning vehicle dispatching with
linear programming models; In: Computers and Operations Research, 20(4), S. 371-380

Powell, W. B.; Towns, Michael T.; Marar, Arun (2000): On the Value of Optimal My-
opic Solutions for Dynamic Routing and Scheduling Problems in the Presence of User
Noncompliance; In: Transportation Science, Bd. 34, Nr. 1, S. 67-85

244
Priewe, Steven R.; Wilson, William W. (1997): Forward Shipping Options for Grain by
Rail: a strategic Risk Analysis; Agricultural Economics Report No. 372, North Dakota
State University, Department of Agricultural Economics, March 1997

Ran, Bin ; Boyce, David E. (1996): Modeling dynamic transportation networks : an

intelligent transportation system oriented approach; Springer , Berlin ; Heidelberg ;
New York
Reckenfelderbäumer, M. (1995): Marketing-Accounting im Dienstleistungsbereich.
Konzeption eines prozesskostengestützten Instrumentariums; Gabler, Wiesbaden

Rieper, Bernd (1992): Betriebswirtschaftliche Entscheidungsmodelle; Herne-Verlag,

Berlin

Rück, H. R. G. (1995): Dienstleistungen. Ein Definitionsansatz auf Grundlage des

"Make-or-Buy"- Prinzips; In: Kleinenaltkamp, M. (Hrsg.): Dienstleistungsmarketing.
Konzeptionen und Anwendungen, Wiesbaden, S. 1-31

Say, J.-B. (1876): Traité d'Èconomie politique ou simple Exposition de la Maniére dont
se forment, se distribuent et se consomment des Richesses; 8. Auflage, Paris

Scholtissek, Peter (1996): Simulationsprüfstand für Logistikkonzepte der Produktion;

VDI-Verlag, Düsseldorf

Schwenker, Burkhard (1989): Dienstleistungsunternehmen im Wettbewerb. Marktdy-

namik und strategische Entwicklungslinien; Deutscher Universitätsverlag, Wiesbaden

Shan, Y. Sh. (1985): A dynamic Multicommodity Network Flow Model for real time
optimal Rail Freight Car Management; PhD thesis, Princeton University, USA

Shen, S.; Potvin, J.-Y.; Rousseau, J.-M.; Roy, S. (1995): A computer assistant for vehi-
cle dispatching with learning capabilities; Annals of Operations Research, 61, S. 189-
211

Sherali, H. D.; Suharko, A. B. (1998): A tactical decision support system for empty rail-
car management; In: Transportation Science, Bd. 32 (1998), S. 306-329

Sherali, H. D.; Tuncbilek, C. H. (1997): Static and dynamic time-space strategic Models
and Algorithms for multilevel Rail-Car Fleet Management; In: Management Science,
Bd. 43, S. 235-250

Shostack, G. L. (1977): Breaking free from Product Marketing; In: Journal of Market-
ing, Bd. 41, Heft 4, S. 73-80

Shostack, G. L. (1982): How to design a Service; In: European Journal of Marketing,

Bd. 16, Nr. 3, S. 93-99

Spieckermann, Voß, Stefan (1995): A case study in empty railcar distribution; In: Euro-
pean Journal of Operational Research 87 (1995), S. 586-598

245
Stauss, B. (1994): Der Einsatz der "Critical Incident Technique" im Dienstleistungs-
marketing; In: Tomczak, T.; Belz, C. (Hrsg.): THEXIS Fachbuch Marketing, St. Gal-
len, S. 233-250

Stauss, Bernd (1995): "Augenblicke der Wahrheit" in der Dienstleistungserstellung: Ihre

Relevanz und ihre Messung mit Hilfe der Kontaktpunktanalyse; In: Bruhn, M.; Stauss,
B. (Hrsg.): Dienstleistungsqualität: Konzepte, Methoden, Erfahrungen, 2. Aufl.,
Gabler, Wiesbaden, S. 379-399

Stern, G. L.; Cobb, R. A. (1985): Forecasting car hire payments utilizing a micro com-
puter; In: Proceedings of the Transportation Research Forum, 26, S. 508-514

Stier, Winfried (2001): Methoden der Zeitreihenanalyse; Springer-Verlag Berlin, Hei-

delberg

Streim, Hannes (1971): Die Bedeutung der Simulation für die Investitionsplanung: Ein
systemtheoretischer Ansatz München, Universität, Staatswirtschaftliche Fakultät, Dis-
sertation

Sutcliffe, Charles; Board, John (1991): The Ex-ante Benefits of Solving Vehicle-
routeing Problems; In: Journal of the Operational Research Society, Vol. 42(2), S.135-
143

Turnquist, M.A.; Jordan, W. C. (1986): Fleet Sizing under Production Cycles and
uncertain Travel Times; In: Transportation Science, 20(4), S. 227-236

Twele, Heike (2000): Methoden zur Modellierung von kurz- und mittelfristigen Nach-
frageschwankungen am Beispiel des Schienengüterverkehrs; Hestra-Verl. , Darmstadt

United States Railway Association (1975): Preliminary System Plan for Restructuring
Railroads in the Northeast and Midwest Regions; USRA, Washington D. C.

Vachal, K.; Baldwin, B.(2001): Factors affecting rail car supply; MPC-Report Nr 01-
121; Mountain-Plains Consortium

Vachal, Kimberly; Bitzan, John (2000): The long-term Availability of Railroad Services
for U.S. Agriculture; Study prepared for the U.S. Department of Agriculture, Washing-
ton, D.C., June 2000

Vahrenkamp, Richard (2000a): Logistikmanagement; 4. Aufl., Oldenbourg, München

Vahrenkamp, Richard (2000b): Produktionsmanagement; 4. Aufl., Oldenbourg, Mün-

chen

Voigt, Fritz (1973): Verkehr (4 Bd./65-73); Berlin

Waldinger, Peter; Sieg, Hans-Christian (1991): Rechnergesteuerte Leerwagenverteilung

(LWV); In: Die Bundesbahn 4 (1991) (Spezialausgabe), S. 389-390

246
Weiber, R.; Jacob, F. (1995): Kundenbezogene Informationsgewinnung; In: Kleinenalt-
kamp, M.; Plinke, W. (Hrsg.): Technischer Vertrieb - Grundlagen, de Gruyter, Berlin, S.
509-596

White, W. (1972): Dynamic Transshipment Networks: An Algorithm and its Applica-

tion to the Distribution of empty Containers; In: Networks, 2, S. 211-236

White, W. W.; Bomberault, A. M. (1969): A Network Algorithm for empty Freight Car
Allocation; In: IBM System Journal 2, S. 147-169

Wille, Kurt (1985): Kapazitätsermittlung in der Unternehmung; Universität Giessen,

Dissertation

Wirtschaftsvereinigung Stahl (1999): Stahl und Bahn - Partnerschaft vor neuen Heraus-
forderungen; Positionspapier der deutschen Stahlindustrie, Düsseldorf

Wirtschaftsvereinigung Stahl (2000): Positionspapier zur Güterwagenknappheit, Düs-

seldorf

Woratschek, H. (1996): Die Typologie von Dienstleistungen aus informationsökonomi-

scher Sicht; In: Der Markt, Bd. 35, Nr. 1, S. 59-71

Zeithaml, Valarie A. (1981): How consumer evaluation processes differ between goods
and services; In: Donnelly, J. H.; George, W. R. (Hrsg.): Marketing of Services, AMA,
Chicago, S. 186-190

Zeithaml, Valarie A.; Parasuraman, A.; Berry, Leonard L. (1992): Qualitätsservice;

Campus-Verlag, Frankfurt

Zinn, Walter; Bowersox, Donald J. (1988): Planning physical distribution with the
priciple of postponement; In: Journal of Business Logistics, 9(2), S. 117-136

247