Leonid Jasvoin (Auth.) - Integration Der Unsicherheitsaspekte in Die Schedule-Optimierung_ Empirische Modellierung Unter Anwendung Der Fuzzy-Theorie Am Beispiel Des Luftverkehrs-Deutscher Universitäts

Leonid Jasvoin
Integration der Unsicherheitsaspekte

in die Schedule-Optimierung
GABLER EDITION WISSENSCHAFT
Schriften zum europäischen Management
Herausgegeben von
Roland Berger Strategy Consultants – Academic Network
Herausgeberrat:
Prof. Dr. Thomas Bieger, Universität St. Gallen;

Prof. Dr. Rolf Caspers, European Business School,
Oestrich-Winkel;
Prof. Dr. Guido Eilenberger, Universität Rostock;
Prof. Dr. Dr. Werner Gocht, RWTH Aachen;
Prof. Dr. Karl-Werner Hansmann, Universität Hamburg;
Prof. Dr. Alfred Kötzle, Europa Universität Viadrina, Frankfurt/Oder;
Prof. Dr. Kurt Reding, Universität Kassel;
Prof. Dr. Dr. Karl-Ulrich Rudolph, Universität Witten-Herdecke;
Prof. Dr. Johannes Rüegg-Stürm, Universität St. Gallen;
Prof. Dr. Leo Schuster, Katholische Universität Eichstätt-Ingolstadt;
Prof. Dr. Klaus Spremann, Universität St. Gallen;
Prof. Dr. Dodo zu Knyphausen-Aufseß, Universität Bamberg;
Dr. Burkhard Schwenker, Roland Berger Strategy Consultants
Die Reihe wendet sich an Studenten sowie Praktiker und leistet wis-
senschaftliche Beiträge zur ökonomischen Forschung im europäi-
schen Kontext.
Leonid Jasvoin
Integration der
Unsicherheitsaspekte in
die Schedule-Optimierung
Empirische Modellierung unter
Anwendung der Fuzzy-Theorie
am Beispiel des Luftverkehrs
Mit einem Geleitwort von Prof. Dr. Heinrich Rommelfanger
Deutscher Universitäts-Verlag
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.
Dissertation Universität Frankfurt am Main, 2005
1. Auflage Juni 2006

Alle Rechte vorbehalten
© Deutscher Universitäts-Verlag | GWV Fachverlage GmbH, Wiesbaden 2006
Lektorat: Brigitte Siegel / Sabine Schöller
Der Deutsche Universitäts-Verlag ist ein Unternehmen von Springer Science+Business Media.
www.duv.de
Das Werk einschließlich aller seiner Teile ist urheberrechtlich geschützt.

Jede Verwertung außerhalb der engen Grenzen des Urheberrechtsgesetzes
ist ohne Zustimmung des Verlags unzulässig und strafbar. Das gilt insbe-
sondere für Vervielfältigungen, Übersetzungen, Mikroverfilmungen und die
Einspeicherung und Verarbeitung in elektronischen Systemen.
Die Wiedergabe von Gebrauchsnamen, Handelsnamen, Warenbezeichnungen usw. in diesem

Werk berechtigt auch ohne besondere Kennzeichnung nicht zu der Annahme, dass solche
Namen im Sinne der Warenzeichen- und Markenschutz-Gesetzgebung als frei zu betrachten
wären und daher von jedermann benutzt werden dürften.
Umschlaggestaltung: Regine Zimmer, Dipl.-Designerin, Frankfurt/Main
Druck und Buchbinder: Rosch-Buch, Scheßlitz
Gedruckt auf säurefreiem und chlorfrei gebleichtem Papier
Printed in Germany
ISBN-10 3-8350-0324-0
ISBN-13 978-3-8350-0324-8
V
Meiner Familie
VII
Geleitwort
Die fortschreitende Globalisierung der Weltmärkte, die Harmonisierung der

Produkte und die Sättigung der Verbrauchernachfrage in der ersten Welt set-
zen Unternehmen einem zunehmenden Konkurrenzdruck aus. Um Produkti-
ons- oder Dienstleistungen verkaufen zu können, sind sie daher gehalten,
Aufträge möglichst schnell und kostengünstig auszuführen. Dabei sind die
Festlegung der zeitlichen Reihenfolge, in der Aufträge bearbeitet werden sol-
len, und die Zuordnung von mengen- und terminmäßig spezifizierten Aufträ-
gen zu Ressourcen zentrale Entscheidungskomponenten im Produktions-
und Servicebereich, welche den operativen Gewinn von Unternehmen stark
beeinflussen. Es ist daher wichtig, diese Pläne ("Schedule") möglichst optimal
festzulegen, um Engpässe zu vermeiden und eine effektive Auslastung der
Ressourcen zu erzielen.
Bei realen Scheduling-Problemen tritt zumeist die Schwierigkeit auf, dass ei-
nige der Parameter nur ungenau beschrieben werden können, wie z. B.
Bearbeitungs- oder Lieferzeiten, Material-, Maschinen oder Personenverfüg-
barkeit, Marktnachfragen. Werden diese Unsicherheiten bei der Festlegung
eines Schedules nicht adäquat berücksichtigt, so läuft man Gefahr, dass der
festgelegte Plan nicht mehr effizient oder gar nicht mehr durchführbar ist. Ak-
tuell werden Unsicherheiten in Scheduling-Modellen entweder ignoriert, oder
man unterstellt, dass man die Unsicherheiten durch eine bekannte Wahr-
scheinlichkeitsverteilung beschreiben kann. In der Realität ist aber die An-
nahme konstanter Rahmenbedingungen häufig nicht zutreffend.
In seiner Dissertation liefert Herr Jasvoin einen viel versprechenden Ansatz,
Unsicherheitsaspekte in die Flugplanoptimierung und allgemein in das Sche-
duling zu integrieren. Um eine zutreffendere Beschreibung der Daten zu er-
zielen, werden neben den Vergangenheitsdaten auch die subjektive
Erfahrung von Experten zur Beschreibung der für das Scheduling relevanten
Parameter verarbeitet. Der Autor liefert innovative und überzeugende Lösun-
gen zu sehr komplexen Optimierungsproblemen, die angesichts des Konkur-
renzkampfes auf internationalen Märkten Lösungen von immenser
Bedeutung sind.
Die empirischen Tests mit dem professionellen Sortware-Tool, mit dem eine
Bewertung und Optimierung reeller Flugpläne internationaler Fluggesellschaf-
ten vorgenommen werden kann, belegen eindrucksvoll die Vorteile dieses
innovativen Ansatzes.
Heinrich Rommelfanger
IX
Vorwort
Die vorliegende Arbeit entstand als Dissertation im Rahmen des von Roland
Berger Strategy Consultants geförderten Promotionsprogramms und wurde
von der wirtschaftswissenschaftlichen Fakultät der Johann Wolfgang Goethe
Universität Frankfurt am Main angenommen.
Das Zustandekommen der Arbeit war an die Mithilfe zahlreicher Personen

gebunden, bei denen ich mich an dieser Stelle bedanken möchte.
Mein besonderer Dank und persönliche Wertschätzung gilt meinem Doktorva-

ter und akademischen Lehrer Herrn Prof. Dr. Heinrich Rommelfanger für die
Betreuung der Promotion, die vielen hilfreichen Diskussionen und die stets
höchst wissenschaftlich kompetenten Anregungen sowie für das jederzeit
entgegengebrachte Interesse am Fortgang der Arbeiten. Herrn Prof. Dr.
Heinz Isermann danke ich herzlich für die Übernahme des Koreferats.
Der Firma Roland Berger, aller voran Dr. Uwe Kumm und Dr. Philipp Goede-
king, die mir durch ihre Unterstützung die konzentrierte Bearbeitung meines
Forschungsvorhabens ermöglichten, gilt ebenfalls mein Dank.
Bedanken möchte mich bei Dr. Sven Bartels, der mich oft durch kompetente
fachliche Ratschläge, Diskussionen, Literaturhinweise aber auch durch auf-
bauende Worte unterstützt und motiviert hat.
Meiner Frau Anna will ich ebenso einen besonderen Dank für ihre Geduld
und ihr Verständnis aussprechen, da sie direkt unter dem Aufwand für diese
Arbeit zu leiden hatte.
Ein großes Anliegen ist es mir, mich bei meinen Eltern zu bedanken; sie ha-
ben mir meine Ausbildung ermöglicht und waren für mich stets in jeder Hin-
sicht vorbildliche Eltern.
Leonid Jasvoin
XI
Inhaltsverzeichnis
Geleitwort.................................................................................................................... VII
Vorwort....................................................................................................................... IX
Inhaltsverzeichnis....................................................................................................... XI
Abbildungsverzeichnis................................................................................................ XV
Tabellenverzeichnis.................................................................................................... XXI
Symbolverzeichnis...................................................................................................... XXIII
Abkürzungsverzeichnis............................................................................................... XXXI
1 Einleitung.............................................................................................. 1
1.1 Problemstellung..................................................................................... 1
1.2 Flugplanoptimierung als ein Scheduling-Problem.................................. 2
1.3 Zielsetzung............................................................................................. 3
1.4 Gang der Untersuchung......................................................................... 4
2 Grundzüge der Luftverkehrswirtschaft und des Netzwerkmana-
gements................................................................................................ 6
2.1 Einführung.............................................................................................. 6
2.2 Grundlagen der Luftverkehrswirtschaft.................................................. 6
2.2.1 Definition und Abgrenzung des Luftverkehrs......................................... 6
2.2.2 Eigenschaften der Produktion von Verkehrsleistungen......................... 7
2.2.3 Charakteristika des Angebots................................................................ 8
2.2.4 Charakteristika der Nachfrage............................................................... 9
2.2.5 Entwicklung des Luftverkehrs................................................................ 11
2.3 Entwicklung der wichtigsten politischen Rahmenbedingungen im Luft-
verkehr................................................................................................... 12
2.3.1 Regulierung des Luftverkehrs in den USA und Europa......................... 12
2.3.2 Deregulierungs- und Liberalisierungsprozess im Luftverkehr................ 13
2.3.3 Auswirkungen der Deregulierung und Liberalisierung auf die Luftver-
kehrsmärkte........................................................................................... 15
2.3.3.1 Streckennetze und Flugangebot............................................................ 16
2.3.3.2 Flugpreise.............................................................................................. 17
2.3.3.3 Wettbewerb und Marktstruktur............................................................... 17
2.3.3.3.1 Wettbewerb zwischen etablierten und neuen Fluggesellschaften......... 17
2.3.3.3.2 Strategische Flugallianzen und Kooperationen..................................... 19
2.4 Grundzüge des Airline-Netzwerkmanagements.................................... 23
2.4.1 Aufgaben und Funktionen des Airline-Netzwerkmanagements............. 24
2.4.2 Grundgedanke der Netzwerkoptimierung.............................................. 28
2.4.3 Airline-Netzwerke................................................................................... 30
2.4.4 Prozess der Flugplanung....................................................................... 35
3 Quantitative Modelle zur Flugplanoptimierung................................. 48
3.1 Einführung.............................................................................................. 48
XII Inhaltsverzeichnis
3.2 Quantitative Flugplanoptimierung.......................................................... 48

3.2.1 Überblick über die wichtigsten Kategorien der quantitativen Optimie-
rungsmodelle in der Luftfahrtindustrie.................................................... 48
3.2.2 Reihenfolge der Initialisierung der quantitativen Modelle zur Festle-
gung der optimalen Zeitenlagen der Flüge............................................ 49
3.2.3 Modelle zur Flugplanoptimierung........................................................... 50
3.2.3.1 Darstellung der Flugnetzwerke im Rahmen der Graphentheorie........... 50
3.2.3.2 Scheduling-Modelle............................................................................... 51
3.2.3.2.1 Flugplanoptimierung mit Slot-Assignment-Modellen.............................. 52
3.2.3.2.2 Flugplanoptimierung mit Zeittafel-Modellen........................................... 56
3.2.3.2.3 Modelle zur simultanen Optimierung der Zeitenlagen und der Flug-
zeugzuordnung...................................................................................... 58
3.2.3.3 Flugzeugrotationsmodelle mit Zeitenlagenverschiebungen................... 59
3.3 Lösungsverfahren der Flugplanoptimierungsmodelle............................ 64
3.3.1 Überblick über die potenziellen Lösungsverfahren................................ 64
3.3.2 Exakte Lösungsverfahren...................................................................... 66
3.3.2.1 Vollständige Enumeration...................................................................... 66
3.3.2.2 Schnittebenenverfahren......................................................................... 66
3.3.2.3 Entscheidungsbaumverfahren............................................................... 66
3.3.2.3.1 Dynamische Optimierung....................................................................... 67
3.3.2.3.2 Begrenzte Enumeration......................................................................... 67
3.3.2.3.3 Branch-and-Bound-Verfahren................................................................ 68
3.3.3 Heuristische Lösungsverfahren............................................................. 69
3.3.3.1 Eigenschaften und Arten heuristischer Verfahren................................. 69
3.3.3.2 Tabu-Suche........................................................................................... 72
3.3.3.3 Simulated Annealing.............................................................................. 76
3.3.3.4 Genetische Algorithmen......................................................................... 77
4 Irregulärer Flugbetrieb........................................................................ 79
4.1 Einführung.............................................................................................. 79
4.2 Entstehung, Entwicklung und Auswirkung von Flugverspätungen........ 79
4.2.1 Irreguläre Ereignisse als Ursache von Flugverspätungen..................... 79
4.2.2 Entwicklung der Flugverspätungen........................................................ 85
4.2.3 Alternative Reaktionsmöglichkeiten der Fluggesellschaften auf Flug-
verspätungen......................................................................................... 87
4.2.3.1 Taktische Reaktionsmaßnahmen auf die Flugverspätungen................ 87
4.2.3.2 Strategische Reaktionsmaßnahmen auf die Flugverspätungen............ 90
4.2.4 Auswirkungen der Flugverspätungen aus Sicht der unterschiedlichen
Beteiligten.............................................................................................. 92
4.2.4.1 Auswirkungen der Flugverspätungen auf die Fluggesellschaften.......... 92
4.2.4.2 Auswirkungen der Flugverspätungen auf die Passagiere...................... 104
4.3 Berücksichtigung der Unsicherheitsaspekte in der modernen Flugpla-
nung....................................................................................................... 107
Inhaltsverzeichnis XIII
4.3.1 Modelle zur Flugplanwiederherstellung (Schedule Recovery Models).. 107

4.3.2 Messung und Optimierung der Robustheit und Zuverlässigkeit der
Airline-Planung....................................................................................... 110
4.3.2.1 Nicht stochastische Modelle zur Optimierung von Flugplänen.............. 110
4.3.2.2 Stochastische Modelle zur Optimierung von Flugplänen....................... 111
4.3.2.3 Simulationsbasierte Modelle zur Optimierung von Flugplänen.............. 113
5 Darstellung der U nsicherheitsaspekte mit Hilfe der Theorie der
Fuzzy-Mengen...................................................................................... 116
5.1 Einführung.............................................................................................. 116
5.2 Grundlagen der Theorie der Fuzzy-Mengen.......................................... 116
5.2.1 Grundgedanke und Definition von Fuzzy Mengen................................. 116
5.2.2 Basisdefinitionen der Theorie der Fuzzy-Mengen................................. 118
5.3 Modellierung der Unsicherheit mit Hilfe der Theorie der Fuzzy-
Mengen.................................................................................................. 119
5.3.1 Gestalt und Interpretation der Zugehörigkeitsfunktionen....................... 119
5.3.2 Rangordnung und Vergleich der als Fuzzy-Mengen dargestellten Ab-
flugs- und Ankunftszeiten der Flüge...................................................... 124
5.3.3 Herleitung der Zugehörigkeitsfunktionen für Fuzzy-Ankunfts- und Ab-
flugszeiten.............................................................................................. 127
5.3.3.1 Ableitung der Zugehörigkeitsfunktionen aus Häufigkeiten sowie aus
Wahrscheinlichkeits- bzw. Dichteverteilungen....................................... 128
5.3.3.2 Ableitung der Zugehörigkeitsfunktionen aus subjektiven Aussagen...... 132
5.4 Vor- und Nachteile der Abbildung von Unsicherheiten mit Hilfe der
Theorie der Fuzzy-Mengen in der Flugplanoptimierung........................ 134
6 Einsatz der Modelle diskreter Entscheidungen zur Passagier-
nachfrageschätzung auf Luftverkehrsmärkten................................. 138
6.1 Einführung.............................................................................................. 138
6.2 Überblick über die wichtigsten relevanten Modelle diskreter Entschei-
dungen................................................................................................... 138
6.2.1 Anforderungen an ein in einem Flugplanoptimierungsmodell zur Pas-
sagiernachfrageschätzung eingesetztes Modell.................................... 139
6.2.2 Verhaltensannahmen der Individuen in Modellen diskreter Entschei-
dungen................................................................................................... 140
6.2.3 Struktur der Modelle diskreter Entscheidungen..................................... 142
6.2.4 Multinominale Logit-Modelle.................................................................. 144
6.2.5 Multinominale Probit-Modelle................................................................. 149
6.3 Parameterschätzung und Teststatistik für Modelle diskreter Entschei-
dungen................................................................................................... 153
6.3.1 Parameterschätzung mit der Maximum-Likelihood und der Simulated-
Maximum-Likelihood-Methode............................................................... 153
6.3.2 Teststatistik............................................................................................ 154
6.3.2.1 Signifikanztests...................................................................................... 154
XIV Inhaltsverzeichnis
6.3.2.2 Anpassungstests.................................................................................... 155

7 Entwicklung eines Fuzzy- und Marktmodell-basierten Flugplan-
optimierungsmodells........................................................................... 158
7.1 Einführung.............................................................................................. 158
7.2 Modellformulierung und -implementierung............................................ 161
7.2.1 Allgemeine Modellformulierung.............................................................. 161
7.2.2 Modellimplementierung.......................................................................... 164
7.2.2.1 Struktur und Implementierung der Sub-Probleme................................. 165
7.2.2.1.1 Sub-Problem 1: Generieren der Flugverbindungen............................... 165
7.2.2.1.2 Sub-Problem 2: Flugplanbewertung...................................................... 171
7.2.2.1.2.1 Schätzung der Passagiernachfrage und der zu erwartenden Passa-
gierumsätze........................................................................................... 172
7.2.2.1.2.2 Evaluierung der Verspätungskosten...................................................... 179
7.2.2.2 Master-Problem..................................................................................... 191
7.3 Empirische Bewertungs- und Optimierungsläufe................................... 199
7.3.1 Bewertung und Optimierung der Flugpläne von American Airlines in
Chicago O'Hare...................................................................................... 201
7.3.2 Bewertung und Optimierung der Flugpläne von American Airlines in
Dallas/Fort Worth................................................................................... 207
7.3.3 Bewertung und Optimierung der Flugpläne von Lufthansa in Frankfurt 212
7.3.4 Zusammenfassung der empirischen Ergebnisse................................... 216
8 Möglichkeiten des Modelleinsatzes in anderen Industrien.............. 219
8.1 Einführung.............................................................................................. 219
8.2 Modelleinsatz im Transportwesen......................................................... 220
8.2.1 Auswirkungen auf das Master-Problem und Restriktionen.................... 221
8.2.2 Auswirkungen auf das Sub-Problem 1................................................... 223
8.3 Modelleinsatz im Supply Chain Management und in der Logistik.......... 226
8.3.1 Auswirkungen auf das Master-Problem und Restriktionen.................... 227
9 Fazit und Ausblick............................................................................... 231
Anhang....................................................................................................................... 235
Literaturverzeichnis..................................................................................................... 242
XV
Abbildungsverzeichnis
Abbildung 1.1 Übereinstimmung der Flugplanoptimierung mit typischen
Scheduling-Aufgaben...................................................................... 3
Abbildung 2.1 Erscheinungsformen des Luftverkehrs............................................ 7
Abbildung 2.2 Verteilung der Passagiere zwischen den Wochentagen................. 10
Abbildung 2.3 Verteilung der von US-amerikanischen Fluggesellschaften in
2004 monatlich transportierten Passagiere..................................... 11
Abbildung 2.4 Entwicklung der weltweit beförderten Flugpassagiere sowie der
angebotenen und verkauften Passagierkilometer........................... 12
Abbildung 2.5 Liberalisierung des Luftverkehrs in Europa..................................... 14
Abbildung 2.6 Bestehende Regulierungen und Wettbewerbsverzerrungen in der
Luftfahrtindustrie und ihre Auswirkungen auf die Märkte................ 15
Abbildung 2.7 Die Größten Newcomer und Pleiten in der amerikanischen
Luftfahrtindustrie.............................................................................. 18
Abbildung 2.8 Entwicklung der Durchschnittserträge und Stückkosten der
amerikanischen Fluggesellschaften nach der Deregulierung.......... 19
Abbildung 2.9 Synergiepotenziale einer Airline-Allianz.......................................... 20
Abbildung 2.10 Die größten weltweiten Flugallianzen.............................................. 21
Abbildung 2.11 Mögliche Formen der netzwerkseitigen Kooperation im
Luftverkehr....................................................................................... 22
Abbildung 2.12 Kostenstruktur einer Fluggesellschaft............................................. 24
Abbildung 2.13 Netzwerkmanagement als Schnittstelle zwischen der
Produktions- und Passagiersicht..................................................... 25
Abbildung 2.14 Prozess der Netzwerkplanung- und Optimierung............................ 27
Abbildung 2.15 Zeitliche Struktur des Netzwerkplanungsprozess............................ 28
Abbildung 2.16 Sichtweise der modernen Netzwerkplanung – O&Ds statt
Strecken.......................................................................................... 29
Abbildung 2.17 Beispiel für die Bildung der Direkt- und Transferpassagierströme
mit einem Flug................................................................................. 30
Abbildung 2.18 Dezentrale Netzwerkstruktur vs. Hub-and-Spoke-Netzwerk........... 31
Abbildung 2.19 Einige Hub-Arten............................................................................. 32
Abbildung 2.20 Mögliche Anzahl der Verbindungen in Flugnetzwerken.................. 33
Abbildung 2.21 "Wachstum generiert Wachstum": Volumen der
Transferpassagierströme an den größten europäischen Flughäfen 34
Abbildung 2.22 Phasen des Prozesses zur Entwicklung und Optimierung der
Flugpläne......................................................................................... 35
Abbildung 2.23 Wellenbilder von Lufthansa in Frankfurt und Air France in Paris.... 37
XVI Abbildungsverzeichnis
Abbildung 2.24 Schritte zur Erarbeitung der Wellenoptionen................................... 37

Abbildung 2.25 Zeitliche Bündelung von Zeitclustern............................................... 38
Abbildung 2.26 Festlegung der Wellenstruktur......................................................... 39
Abbildung 2.27 Festlegung der Destinationen in den Wellen................................... 41
Abbildung 2.28 Rotationsbildung.............................................................................. 42
Abbildung 2.29 Bedingungen für das Zustandekommen eines Hits......................... 44
Abbildung 3.1 Initialisierungsreihenfolge der quantitativen Optimierungsmodelle. 50
Abbildung 3.2 Optimierungsverfahren für kombinatorische Probleme................... 65
Abbildung 3.3 Interner Ablauf der Kurzzeitgedächtnisfunktion der Tabu-Suche.... 74
Abbildung 4.1 Verursacher von Flugverspätungen................................................ 81
Abbildung 4.2 Ursachen für die von der Verkehrssteuerung ausgelösten
Flugverspätungen............................................................................ 82
Abbildung 4.3 Entstehung von Abflugsverspätungen, Propagation von
Verspätungen.................................................................................. 83
Abbildung 4.4 Prozentsatz der 15-min Abflugsverspätungen in Europa und den
USA................................................................................................. 85
Abbildung 4.5 Durchschnittliche Länge einer Flugverspätung pro Flug in Europa
und den USA................................................................................... 86
Abbildung 4.6 Gesamtzahl der Abflugsverspätungsminunten sowie Gesamtzahl
der Flüge in Europa und den USA................................................... 87
Abbildung 4.7 Taktische Option Nr. 1 – Verspätung der Anschlussflüge............... 88
Abbildung 4.8 Taktische Option Nr. 2 – Rotationstausch zur Reduzierung der
Flugverspätung................................................................................ 89
Abbildung 4.9 Hub-Struktur von American Airlines in Dallas/Fort Worth vor und
nach De-Peaking............................................................................. 91
Abbildung 4.10 Möglicher Verlauf der Verspätungskostenfunktion.......................... 93
Abbildung 4.11 Arten der bei den Fluggesellschaften anfallenden
Verspätungskosten.......................................................................... 95
Abbildung 4.12 Anteile der einzelnen Arten von Verspätungskosten an den
gesamten bei den Fluggesellschaften anfallenden
Verspätungskosten.......................................................................... 99
Abbildung 4.13 Operatives Ergebnis der weltweiten Airline-Industrie, 1990-2002... 103
Abbildung 5.1 ρ-Präferenz für den Vergleich der Ankunfts- und Abflugszeiten...... 120
Abbildung 5.2 Mögliche Typen von Zugehörigkeitsfunktionen............................... 124
Abbildung 5.3 Modellierung der subjektiven Aussagen der Entscheider
bezüglich der Zeitenlagen der Ereignisse...................................... 126
Abbildungsverzeichnis XVII
Abbildung 5.4 Verlauf der Dichte- und der Möglichkeitsfunktion bei

Transformation mit Verfahren von Dubois / Prade und Civanlar /
Trussell............................................................................................ 131
Abbildung 6.1 Die empirisch erwarteten Auswahlwahrscheinlichkeiten vs. Logit-
Auswahlwahrscheinlichkeiten.......................................................... 146
Abbildung 7.1 Überblick über Modellaufbau, In- und Outputs................................ 164
Abbildung 7.2 Ablaufschema zur Bestimmung des Konkurrenzangebots.............. 167
Abbildung 7.3 Bestimmung des Verbindungsangebots der zu untersuchenden
Airline............................................................................................... 169
Abbildung 7.4 Änderung der Zeitenlagen der Mehr-Leg-Flüge.............................. 170
Abbildung 7.5 Vorgehensweise zur Berechnung der zu erwartenden
Passagierumsätze für eine Flugplanlösung..................................... 173
Abbildung 7.6 Verteilung der Ankunftszeitpräferenzen der Geschäftsreisenden... 175
Abbildung 7.7 Verteilung der Ankunftszeitpräferenzen der Privatreisenden.......... 176
Abbildung 7.8 Eingabemaske für die Marktmodell-Parameter............................... 179
Abbildung 7.9 Vorgehensweise zur Berechnung der Verspätungskosten.............. 181
Abbildung 7.10 Erwartete Abhängigkeit des Umsatzabschlags von der
Verspätungshöhe............................................................................ 183
Abbildung 7.11 Parametrisierung der Verspätungskostenberechung im Software-
Tool.................................................................................................. 183
Abbildung 7.12 Beispiel zur Berechnung der potenziellen Verspätungskosten....... 185
Abbildung 7.13 Herleitung der Verspätungsmöglichkeit aus Fuzzy-
Zugehörigkeitsfunktionen der Zeitenlagen...................................... 186
Abbildung 7.14 Möglichkeitsverteilungen für die Flüge von American Airlines von
Chicago (ORD) nach Atlanta (ATL) 2001.................................... 189
Abbildung 7.15 Spezifikation der Fuzzy-Zugehörigkeitsfunktionen der Zeitenlagen
im Software-Tool............................................................................. 190
Abbildung 7.16 Funktionsweise des Master-Problems............................................. 192
Abbildung 7.17 Eingabemaske des Software-Tools zur Parametrisierung der
Optimierungsroutine........................................................................ 193
Abbildung 7.18 Methode der "parallelen Flüge"....................................................... 197
Abbildung 7.19 Eingabe der verfügbaren Slots im Software-Tool............................ 198
Abbildung 7.20 Grafische Oberfläche des Software-Tools zum Anzeigen des
Optimierungsverlaufs....................................................................... 199
Abbildung 7.21 Entwicklung des Netto-Profits von American Airlines in Chicago
(ORD) 1999-2004............................................................................ 201
Abbildung 7.22 Auswertung der Schätzdaten für die Verspätungskosten und das
Verhältnis der Verspätungskosten zu Transferpassagierumsätzen
im Flugplan von American Airlines in Chicago (ORD)..................... 202
XVIII Abbildungsverzeichnis
Abbildung 7.23 Anzahl der Flugbewegungen in Chicago O'Hare............................. 203

Abbildung 7.24 Flugplanstruktur von American Airlines in Chicago O'Hare (ORD)
im Sommer 2001 und 2002............................................................. 204
Abbildung 7.25 Anzahl der Transferverbindungen von American Airlines in den
Sommerflugplänen 2001 und 2002, die über Chicago O'Hare
verlaufen, und ihre Transferzeit....................................................... 205
Abbildung 7.26 Entwicklung der Transferpassagierumsätze und der Konnektivität
in den Sommerflugplänen von American Airlines in Chicago
O'Hare (ORD).................................................................................. 206
in den Winterflugplänen von American Airlines in Chicago O'Hare
(ORD).............................................................................................. 206
Abbildung 7.28 Transferverbindungen mit negativem Deckungsbeitrag.................. 207
Abbildung 7.29 Entwicklung des Netto-Profits von American Airlines in Dallas/Fort
Worth (DFW) 1999-2004................................................................. 208
im Flugplan von American Airlines in Dallas/Fort Worth (DFW)...... 208
Abbildung 7.31 Anzahl der Flugbewegungen in Dallas/Fort Worth.......................... 209
in den Sommerflugplänen von American Airlines in Dallas/Fort
Worth (DFW)................................................................................... 210
in den Winterflugplänen von American Airlines in Dallas/Fort
Worth (DFW)................................................................................... 210
Abbildung 7.34 Anzahl der Transferverbindungen von American Airlines in den
Sommerflugplänen 2002 und 2003, die über Dallas/Fort Worth
(DFW) verlaufen, und ihre der Transferzeit..................................... 211
Abbildung 7.35 Transferverbindungen mit dem negativen Deckungsbeitrag........... 211
Abbildung 7.36 Entwicklung des Netto-Profits von Lufthansa in Frankfurt 1999-
2004................................................................................................. 212
im Flugplan von Lufthansa in Frankfurt (FRA)................................. 213
Abbildung 7.38 Anzahl der Flugbewegungen in Frankfurt........................................ 214
Abbildung 7.39 Vergleich der Flugzeiten der Lufthansa Flüge in den Flugplänen
2003 und 2004 auf den Strecken, die in beiden Flugplänen
geflogen werden.............................................................................. 214
Abbildung 7.40 Transferverbindungen mit negativem Deckungsbeitrag.................. 215
in den Sommerflugplänen von Lufthansa in Frankfurt..................... 215
Abbildungsverzeichnis XIX

in den Winterflugplänen von Lufthansa in Frankfurt........................ 216
Abbildung 7.43 Flugplanstruktur von American Airlines in Chicago im Winter 2000
vor und nach der Optimierung......................................................... 217
Abbildung 8.1 Modelleinsatz im Transportwesen und im Supply Chain
Management.................................................................................... 220
Abbildung 8.2 Modellanpassungen für den Einsatz im Transportwesen................ 222
Abbildung 8.3 Ziele und Aufgaben von Supply Chain Management...................... 226
Abbildung 8.4 Modellanpassungen für den Einsatz im Supply Chain
Management.................................................................................... 228
Abbildung A.1 Entwicklung des Anteils der Codeshare-Flüge in den
Weltflugplänen................................................................................. 236
Abbildung A.2 Entwicklung der operativen Ergebnisse und Gewinne der
weltweiten Airline-Industrie.............................................................. 236
XXI
Tabellenverzeichnis
Tabelle 4.1 Verspätungskosten für die gesamte US-amerikanische Airline-
Industrie........................................................................................... 100
Tabelle 4.2 Verspätungskosten für die gesamte europäische Airline-Industrie
102
Tabelle 4.3 Verspätungskosten für die Passagiere auf dem US-
amerikanischen Markt..................................................................... 105
Tabelle 4.4 Verspätungskosten für die Passagiere auf dem europäischen
Markt................................................................................................ 106
Tabelle 7.1 Schätzkoeffizienten und Teststatistiken der
Marktmodellkalibrierung.................................................................. 178
XXIII
Symbolverzeichnis
Im Kapitel 3 verwendete Symbole

a Ein Knoten des gerichteten Graphen
ai Angebotsknoten
ati Untere Grenze des Zeitfensters für den Flug i
A Kantenmenge des gerichteten Graphen
bti Obere Grenze des Zeitfensters für den Flug i
cij Kosten für die Ausführung des Fluges i nach dem Flug j
mit dem gleichen Flugzeug
c(x) Zielfunktion des Optimierungsproblems
C Bewertungsfunktion des gerichteten Graphen
Cij Indikatorvariable – Deklarierung einer Transferverbindung
als ein Hit
ctihj Die Mindestumsteigezeit kennzeichnende Variable
d Outbound-Slot
dij Anzahl der Tage zwischen dem Ausführen der Flüge i
und j
D Senkknoten
i Flug
I Menge der Flüge mit gleichen Flugnummern, die an
unterschiedlichen Tagen ausgeführt werden
IBs Menge der verfügbaren Inbound-Slots
IBihs Indikatorvariable – Zuordnung der Inbound-Flüge zu einem
Inbound-Slot
G(V,A) Gerichteter Graph
G(V,A,C) Gerichteter Graph mit Bewertungsfunktion
hh Umsteigeknoten
HWh Breite des Zeitfensters (in Minuten), das die maximal
zulässige Wartezeit der Passagier im Hub h angibt
m(x) Nicht tabu gesetzte Nachbarschaftslösungen der Lösung x
M Hinreichend große Zahl
MCTh Minimum Connecting Time im Hub h
nj Nachfrageknoten
N(x) Menge der Nachbarschaftslösungen der Lösung x
O Quellknoten
OBhjd Indikatorvariable – Zuordnung der Outbound-Flüge zu
einem Outbound-Slot
OBd Menge der verfügbaren Outbound-Slots
XXIV Symbolverzeichnis
s Inbound-Slot
SLIBhs Zeitenlage des Inbound-Slots s im Hub h
SLOBhd Zeitenlage des Outbound-Slots d im Hub h
T Tabu-Liste
Ti Abflugszeit des Fluges i
TATi Turn-Around-Time des Fluges i
vihj Indikatorvariable – Zuordnung der Strecken zu
Reiseströmen
v Eine Kante des gerichteten Graphen
V Knotenmenge des gerichteten Graphen
VLij Prioritätskennziffer für das O&D (i,j)
xij Entscheidungsvariable – Ausführung des Fluges i nach
dem Flug j mit dem gleichen Flugzeug
x Eine Lösung aus dem Lösungsraum des Optimierungs-
problems
x´ Ausgangslösung
xakt Aktuelle Lösung
xneu Neu generierte Lösung
X Lösungsraum des Optimierungsproblems
ZF Zielfunktion

A Element einer Menge
Ã Fuzzy-Menge
α Niveau
α Spannweite einer L-R-Fuzzy-Zahl
B Element einer Menge
~
B Fuzzy-Menge
β Spannweite einer L-R-Fuzzy-Zahl
c Gewähltes Konfidenzniveau
f Abbildungsvorschrift
f -1(y) Urbildmenge der nichtleeren klassischen Menge
G Variable
i Zählvariable
Inf Infimum
j Zählvariable
L(...) Linke Referenzfunktion einer L-R-Fuzzy-Zahl
L(µ,λ) Zielfunktion eines Optimierungsprogramms
m Gipfelpunkt einer L-R-Fuzzy-Zahl
Symbolverzeichnis XXV
µÃ(x) Zugehörigkeitsfunktion
µcompÃ(x) Komplement einer Fuzzy-Menge
µÃ∩B~(x) Durchschnitt zweier Fuzzy-Mengen
µÃ∪B~(x) Vereinigung zweier Fuzzy-Mengen
µR Zugehörigkeitsfunktion der Fuzzy-Relation
n Zählvariable
℘(X) Potenzmenge von X
pi Wahrscheinlichkeit
P(A) Wahrscheinlichkeitsmaß
p(x) Werte einer Dichtefunktion
R Relation
R(...) Rechte Referenzfunktion einer L-R-Fuzzy-Zahl
ℜ Menge der reellen Zahlen
ρ Kleine reelle Zahl
S Menge
Sup Supremium
supp(Ã) Stützende Menge
π1,π2,..., πn Möglichkeitsgrade
∏(A) Möglichkeitsmaß
∏G(B) Möglichkeitsverteilung
w1,w2,..., wn Umweltzustände
Ω Zustandsraum
λ Multiplikator
x Element der Grundgesamtheit
X Grundgesamtheit
y Element der nichtleeren klassischen Menge
Y Nichtleere klassische Menge

β Vektor der Parameterwerte
βk Modellparameter
β̂ k Schätzwert für den Modellparameter
cov(...) Kovarianz
d O&D-Markt
D Gesamtzahl der relevanten O&D-Märkte
εin Stochastische Nutzenkomponente
f(...) Dichtefunktion
F(...) Verteilungsfunktion
XXVI Symbolverzeichnis
hin Unabhängig und identisch verteilte Zufallsvariable

H0 Nullhypothese
H1 Gegenhypothese
i Alternative
I Einheitsmatrix
j Alternative
Jd Menge der verfügbaren Alternativen am O&D-Markt d
Jn Menge der für den Passagieren n verfügbaren Alternativen
k Index des Zeitintervalls
LF Likelihood-Funktion
LogLFf Wert der Likelihood-Funktion des geschätzten Modells
LogLF0 Wert der Likelihood-Funktion des Modells, dessen
Parameter auf Null gesetzt sind
MAE Mean Absolute Error – Durchschnittlicher absoluter Fehler
µ Skalierungsparameter der Gumbel-Verteilung
n Individuum
Nd Menge der Passagiere, die am O&D-Markt d eine
Auswahlentscheidung treffen
od(i) Funktion, die eine Alternativverbindung dem
entsprechenden O&D zuordnet
pin Auswahlwahrscheinlichkeit der Alternative i seitens des
Individuums n
pid Auswahlwahrscheinlichkeit der Alternativverbindung i auf
dem O&D-Markt d
pj Wahrscheinlichkeit
p̂ di Geschätzter Marktanteil der Flugverbindung i auf dem
O&D-Markt d
PAXid Anzahl der Passagiere auf der Alternativverbindung i auf
dem O&D-Markt d
R² Bestimmtheitsmaß
RMSE Root Mean Squared Error– Wurzel aus dem quadrierten
Fehler
sk Anteil der im Zeitintervall k abfliegenden Passagiere an
allen beförderten Passagieren
t t-Wert (t-Test Statistik)
tα/2 Kritischer Wert des t -Tests
ti Abflugszeit der Alternativverbindung i
tk Abflugszeit im Zeitintervall k
uin Nutzen der Alternative i für das Individuum n
Symbolverzeichnis XXVII
uik Nutzen der Alternative i im Zeitintervall k

vij Deterministischer Nutzenteil
W Matrix der normierten alternativspezifischen Gewichte
xi Vektor der beobachtbaren Attribute der Alternative i
xin Vektor der beobachtbaren Attribute der Alternative i für das
Individuum n
xn*β* Maximum der alternativspezifischen Nutzenwerte
yin Indikationsvariable
δii Varianz des Störterms der Alternative i
δij Kovarianz zwischen zwei Alternativen i und j
¦n Varianz-Kovarianz-Matrix der alternativspezifischen
Störterme
σ Varianzparameter
ρ Autokorrelationskoeffizient
ζn Vektor der unabhängig und identisch verteilten
Zufallsvariable für das Individuum n
ϑin Komponente des stochastischen Nutzenteils der
Alternative i für das Individuum n
ϑn Vektor der Komponente des stochastischen Nutzenteils für
das Individuum n
σ(β) Standardabweichung eines Parameters
ρ12 Pseudo-Bestimmtheitsmaß
ρ 22 Adjustiertes Pseudo-Bestimmtheitsmaß

a1 Indikationsvariable; gibt an, ob es einen oder mehr
nächstmöglichen Flüge zum Bestimmungsort des
Zubringerfluges existieren
a2 Indikationsvariable; gibt an, ob zwei oder mehr
nächstmögliche Flüge zum Bestimmungsort des
Zubringerfluges existieren
Ã Fuzzy-Abflugszeit des Anschlussfluges
AA Ankunftsflughafen (Arrival Airport)
AT Ankunftszeit (Arrival Time)
ATi Ankunftszeit des Fluges i
~
B Fuzzy-Ankunftszeit des Zubringerfluges plus MCT
XXVIII Symbolverzeichnis
bFL Anzahl der Flugzeuge in der Teilflotte FL im

Ausgangsflugplan
β Parametervektor des Marktmodells
d Wochentag
dist(...) Distanzfunktion
DA Abflugsflughafen (Departure Airport)
DC(...) Verspätungskostenfunktion
DCijp Potenzielle Verspätungskosten der Transferverbindung (i-j)
DT Abflugszeit (Departure Time)
DTi Abflugszeit des Fluges i
f(...) Funktionale Abhängigkeit
F Flugzeugflotte der untersuchten Fluggesellschaft
FL Flugzeugtyp
FFL Teilflotte, die aus den Flugzeugen des Flugzeugtyps FL
besteht
h Flughafen
H Menge der von der untersuchten Fluggesellschaft
angeflogenen Flughäfen
i Flugverbindung
(i,j) Transferverbindung, die aus den Flügen i und j besteht
IB _ SlotshD,t Anzahl der von Flügen der untersuchten Fluggesellschaft
aktuell belegten Inbound-Slots am Tag d am Flughafen h
für das Ankunftszeitfenster t
j Flugverbindung
J Menge der Flüge der untersuchten Fluggesellschaft
Jd Menge der Flüge am Tag d
J dXX Gesamtheit der Verbindungen der zu untersuchenden
Airline auf dem jeweiligen O&D-Markt am Tag d
k Abflugszeitpunkt
K 1j Airline-Typ-spezifischer Kostenaufschlagsfaktor für den
ersten späteren Flug des Anschlussfluges j
2
K j Airline-Typ-spezifischer Kostenaufschlagsfaktor für den
zweiten späteren Flug des Anschlussfluges j
LA Referenzfunktion der linken Seite der Fuzzy-Zahl Ã
LB Referenzfunktion der linken Seite der Fuzzy-Zahl B
MAE Mean Absolute Error – Durchschnittlicher absoluter Fehler
Symbolverzeichnis XXIX
max Maximiere
Max_Detour Maximal zulässiger Detour-Factor
D
Max_IB_Slots h,t Maximale Anzahl der am Tag d am Flughafen h für das
Ankunftszeitfenster t für die untersuchte Fluggesellschaft
zur Verfügung stehenden Inbound-Slots
Max_OB_Slots hD,t Maximale Anzahl der am Tag d am Flughafen h für das
Ankunftszeitfenster t für die untersuchte Fluggesellschaft
zur Verfügung stehenden Outbound-Slots
Max_Waiting Maximal zulässige Wartezeit auf den Anschlussflug
MCT Minimum Connecting Time
µ A Zugehörigkeitsfunktion der Fuzzy-Abflugszeit des
Anschlussfluges
µ B Zugehörigkeitsfunktion der Fuzzy-Ankunftszeit des
Zubringerfluges plus MCT
Nj Anzahl der nächstmöglichen Flüge zum Bestimmungsort
von j
OB _ SlotshD,t Anzahl der von Flügen der untersuchten Fluggesellschaft
aktuell belegten Outbound-Slots am Tag d am Flughafen h
für das Abflugszeitfenster t
OC Übernachtungskosten für einen Passagier
OD Umsatzabschlag bei einer Übernachtung
OT Andere (nicht untersuchte) Fluggesellschaften
p Verspätungsmöglichkeit
pi Auswahlwahrscheinlichkeit der Flugverbindung i
PAXi Anzahl der Passagiere auf der Flugverbindung i
PAXij Anzahl der Passagiere auf der Transferverbindung (i-j)
PR (...) Funktion der Passagierumsätze
π Permutation des Ausgangsflugplans
r Faktor zur Berücksichtigung von früheren Abflügen des
Anschlussfluges
RA Referenzfunktion der rechten Seite der Fuzzy-Zahl Ã
RB Referenzfunktion der rechten Seite der Fuzzy-Zahl B
Rij Durchschnittlicher Passagierertrag auf der Transfer-
verbindung (i-j)
RMSE Root Mean Squared Error – Wurzel aus dem quadrierten
Fehler
XXX Symbolverzeichnis

SD Flugplan (Menge der Flüge) der untersuchten
Fluggesellschaft am Tag d
D
S FL Teilflugplan der untersuchten Fluggesellschaft am Tag d,
der nur aus Flügen, die mit dem Flugzeugtyp FL
ausgeführt werden, besteht
ShD Teilflugplan, der nur die Flüge der untersuchten
Fluggesellschaft enthält, die am Flughafen h am Tag d
starten oder landen
t Abflugs- oder Ankunftszeitfenster
t Ai Untere Grenze des Zeitenlagenfensters für den Flug i
t Bi Obere Grenze des Zeitenlagenfensters für den Flug i
T Geplante Abflugszeit des Anschlussfluges
TATFL Turn-Around-Time der Flugzeuge des Typs FL
ukOT Aggregierter Nutzen der Verbindungen der Konkurrenz auf
dem jeweiligen O&D-Markt zum Abflugszeitpunkt k
uikXX Nutzen der Verbindung i der zu untersuchenden Airline
zum Abflugszeitpunkt k
1
V j Prozentuale Verteilung der Passagiere auf den ersten
späteren Flug des Anschlussfluges j
V j2 Prozentuale Verteilung der Passagiere auf den zweiten
ω(...) Bewertungsfunktion
WSD Flugverbindungsangebot der Konkurrenz der untersuchten
Fluggesellschaft am Tag d
xi Attributvektor der Flugverbindung i
XX Untersuchte Fluggesellschaft
Z 1j Wartezeitabhängiger Umsatzabschlag für den ersten
2
Z j Wartezeitabhängiger Umsatzabschlag für den zweiten
ρ 22 Adjustiertes Pseudo-Bestimmtheitsmaß
ζ(i,j) Hit-Transferverbindung, die aus Flügen i und j besteht
XXXI
Abkürzungsverzeichnis
AA American Airlines
ABC-MNL Attribute Based Covariance Multinominal Probit
AEA Association of European Airlines
AG Aktiengesellschaft
AOCC Airline Operations Control Center
ASK Available Seat Kilometers
ATA US Airline Transport Association
ATC Air Traffic Control
BTS Bureau of Transportation Statistics
bzw. beziehungsweise
ca. circa, ungefähr
CAB Civil Aeronautic Board
CFMU Central Flow Management Unit
CODA Central Office for Delay Analysis
CRS Computer Reservation System
d.h. das heißt
et al. und andere
etc. et cetera, und so weiter
EU Europäische Union
EUR Euro
FAA Federal Aviation Administration
GAR-MNP Generalized Autoregressive Multinominal Probit
IATA International Air Travel Association
ICAO International Civil Aviation Organisation
IT Informationstechnologie
ITA Institut du transport aérien
LH Deutsche Lufthansa
Min. Minuten
Mio. Millionen
Mrd. Milliarden
Nr. Nummer
OAG Official Airline Guide
Pan Am Pan American Airlines
PAX Passagier
PSA Pacific Southwest Airlines
RPK Revenue Passenger Kilometers
XXXII Abkürzungsverzeichnis
S. Seite
S99 Sommerflugplan 1999
W99/00 Winterflugplan 1999/2000
TWA Trans World Airlines
US United States (of America)
USA United States of America
USD US Dollar
usw. und so weiter
z.B. zum Beispiel
Airport-Codes
AMS Amsterdam Schiphol Airport
BRU Brüssel National Airport
CDG Paris Charles de Gaulle Airport
DFW Dallas / Fort Worth Airport
FRA Frankfurt International Airport
LGW London Gatwick Airport
LHR London Heathrow Airport
MUC München Franz Josef Strauss Airport
MXP Milan Malpensa Airport
ORD Chicago O'Hare Airport
VIE Airport Wien
ZRH Airport Zürich
City-Codes
AMS Amsterdam
BER Berlin
BKK Bangkok
Abkürzungsverzeichnis XXXIII
BRU Brüssel
DXB Dubai
FRA Frankfurt am Main
HKG Hongkong
IST Istanbul
JNB Johannesburg
LAX Los Angeles
LIS Lissabon
LON London
MOW Moskau
MUC München
NYC New York
PAR Paris
PRG Prag
ROM Rom
SAO Sâo Paulo
SIN Singapur
STO Stockholm
TYO Tokio
VIE Wien
ZRH Zürich
1
Kapitel 1: Einleitung
1.1 Problemstellung
In den letzten Jahren zeichnet sich auf den weltweiten Güter- und Dienstleis-
tungsmärkten ein deutlicher Trend in Richtung Globalisierung und Verschär-
fung des Wettbewerbs ab. Dieser Trend wird durch die Sättigung der Ver-
brauchernachfrage, den Rückgang der Margen und die Homogenisierung des
Produktangebots noch verstärkt. Solch ein schwieriges Markt- und Wett-
bewerbsumfeld zwingt Unternehmen dazu, ihre Produktionsprozesse so effi-
zient wie möglich zu gestalten, um profitabel und auf längere Sicht erfolgreich
agieren zu können. Bei vielen Aufgabenstellungen im Produktions- und
Dienstleistungsbereich bedeutet dies, Aufträge so schnell oder so kosten-
günstig wie möglich zu bearbeiten und dabei Engpässe zu vermeiden und die
Ressourcenauslastung zu maximieren. Einen Prozess zur Aufstellung eines
Zeitplanes ("Schedules"), der die optimale Zuordnung von Aufträgen zu Res-
sourcen und die zeitliche Reihenfolge, in der die Aufträge bearbeitet werden
sollen, bestimmt, bezeichnet man in der Literatur zumeist als "Scheduling". Er
definiert die Ressourcenallokation und die Effektivität der Leistungserbrin-
gung und ist deshalb einer der wichtigsten Entscheidungsprozesse, der die
operative Ertrags- und Kostenbasis der Unternehmen im Produktions- und
Servicebereich beeinflusst.
Eine grundlegende Schwierigkeit in Zusammenhang mit dem Scheduling ist

die Unsicherheit der zur Beschreibung der Scheduling-Probleme verwende-
ten Parameter. Diese Unsicherheit betrifft z.B. die Länge der Bearbeitungs-
prozesse, Material-, Personal- und Maschinenverfügbarkeit sowie Preise und
Marktanforderungen. Je nachdem, ob beim Scheduling solche Unsicherheits-
aspekte explizit berücksichtigt werden, unterscheidet man deterministische
und nicht deterministische Scheduling-Modelle.
Die deterministischen Scheduling-Modelle unterstellen Konstanz der Pla-

nungsprämissen während der gesamten Ausführungsperiode der optimierten
Schedules und postulieren somit die Abwesenheit von Unsicherheit. Die zum
Planungszeitpunkt getroffenen Annahmen bezüglich der Scheduling-
Parameter erweisen sich jedoch bei der Planausführung wegen unerwartet
eintretender Ereignisse oft als nicht zutreffend. Dies führt dazu, dass die ent-
wickelten Schedules ihre Effizienz und Optimalität verlieren oder sogar un-
durchführbar werden. Als Folge einer solchen realitätsfremden Planung
entstehen erhebliche operative und alternative Kosten.
2 Kapitel 1 Einleitung
Die nicht deterministischen Scheduling-Modelle gehen meistens von einer

stochastischen Verteilung der Parameter aus, wobei die Dichtefunktion der
Wahrscheinlichkeitsverteilung als bekannt angenommen wird. Diese Annah-
me ist allerdings sehr kritisch zu sehen, denn zum einen erfordert die Herlei-
tung einer solchen Dichtefunktion das Vorhandensein einer ausreichend
großen Menge von historischen Beobachtungswerten. Zum anderen sugge-
riert sie die vollständige Gleichheit der Rahmenbedingungen in der Vergan-
genheits-, Planungs- und Ausführungsperiode. Somit eignen sich die
stochastischen Modelle nur in sehr eingeschränktem Maße zur Lösung der
Realweltprobleme.
Ein anderer Ansatz, der die wesentlichen oben dargestellten Nachteile der
Stochastik beseitigt und somit eine realitätsnahe Abbildung der Unsicherheit
ermöglicht, basiert auf der Theorie der Fuzzy-Mengen. Dabei werden Exper-
tenwissen und -bewertung, menschlicher Sachverstand und Erfahrung zur
Darstellung der Sachverhalte der Realwelt herangezogen. Der Vorteil einer
solchen Vorgehensweise liegt unter anderem in der Möglichkeit der Verwen-
dung von sowohl Vergangenheitsdaten als auch subjektiven Erfahrungen und
Vorstellungen zur Parametrisierung der für das Scheduling relevanten Grö-
ßen.
Der auf der Theorie der Fuzzy-Mengen basierenden, realitätsnahen Darstel-

lung der Unsicherheit müssen jedoch eine an die Problemstruktur angepasste
Instrumentalisierung und die Integration der erfassten Unsicherheitsaspekte
in die Schedule-Optimierung folgen. Erst dann werden die hergeleiteten
Schedules eine optimale Ressourcenallokation ermöglichen und von den
Endnutzern akzeptiert werden.
1.2 Flugplanoptimierung als ein Scheduling-Problem

Der Begriff "Scheduling" eignet sich für die Beschreibung einer ganzen Reihe
von Problemstellungen, die sich mit der Zuordnung von Aufgaben zu Res-
sourcen befassen. Aufgaben sind beispielsweise Materialbearbeitungsschritte,
Flüge, Zugfahrten oder Unterrichtsstunden; als Ressourcen kommen dabei
Aggregate, Flugzeuge, Züge oder Lehrer in Frage. Alle diese Probleme ver-
langen eine Allokation der Aufgaben zu Ressourcen, die bezüglich der vor-
gegebenen Wirtschaftlichkeitskriterien optimal ist und diversen
Rahmenbedingungen genügt.
Der Prozess der Flugplanoptimierung ist ein typisches Scheduling-Problem:

Kapitel 1 Einleitung 3
Im Rahmen der Flugplanoptimierung wird nach einer solchen Zuordnung der

Flüge zu Abflugs- bzw. Ankunftszeiten gesucht, die das operative Airline-
Ergebnis maximiert und die operationellen Restriktionen erfüllt. Abbildung 1.1
fasst die wichtigsten Gemeinsamkeiten der Scheduling-Konzepte und der
Flugplanoptimierung zusammen.
Scheduling-Aufgaben Flugplanoptimierung
• Zuordnung von Aufträgen zu den • Zuordnung der Flüge zu den Start- und
Zu-
Ressourcen Lande-Slots
ordnung
• Minimierung der Bearbeitungskosten • Minimierung der Flugbetriebskosten

Ziel- • Maximierung des Unternehmens- • Maximierung des Airline-Gewinns oder
funktion gewinns oder -umsatzes -umsatzes
• Minimierung der Durchlaufzeiten • Minimierung der Connection-Times
Neben- • Anzahl der Maschinen • Anzahl der Flugzeuge

bedin- • Anzahl der Mitarbeiter • Anzahl der Crews
gungen • Maschinenkapazität • Vorhandene Flughafen- bzw. Slot-
Kapazität
• Dauer der Bearbeitungszeiten • Dauer der Flugzeiten

Unsicher- • Ausfall einer Maschine • Ausfall eines Flugzeuges
heits- • Nichtverfügbarkeit der Mitarbeiter • Nichtverfügbarkeit der Crew-Mitglieder,
aspekte Mitarbeiter-Streiks
Abbildung 1.1: Übereinstimmung der Flugplanoptimierung mit typischen Scheduling-

Aufgaben
Die Methodologie zur Abbildung und Integration der Unsicherheitsaspekte in

die Flugplanoptimierung kann somit auf die allgemeinen Scheduling-Konzep-
te sowie auf die anderen konkreten Scheduling-Probleme übertragen werden.
1.3 Zielsetzung
Das Ziel der vorliegenden Dissertation ist es, durch die Verknüpfung der em-
pirischen und theoretischen Forschung ein Flugplanoptimierungsmodell zu
entwickeln, das
• die mit dem irregulären Flugbetrieb verbundenen Unsicherheitsaspekte
bezüglich der Zeitenlagen der Flüge erfasst und
• die daraus resultierenden negativen Konsequenzen monetär bewertet
und in den Optimierungsprozess integriert.
Das Modell soll dabei die Gegebenheiten der Luftverkehrsmärkte realitätsnah

abbilden. Es muss in der Lage sein, den Prozess der operativen Flugplanop-
4 Kapitel 1 Einleitung
timierung zu unterstützen. Dafür ist es notwendig, dass sich das Modell in

den Airline-Prozess der Planung und Optimierung von Flugplänen einordnet
sowie über eine Umsatz- und Kostenaspekte beschreibende Zielfunktion und
die relevanten Nebenbedingungen verfügt.
Aufbauend auf der hergeleiteten Modelldefinition soll ferner ein professionel-

les und einsatzfähiges Software-Tool programmiert werden, das die Flug-
planbewertung und -optimierung unter Berücksichtigung der Unsicherheits-
aspekte ermöglicht.
Mit Hilfe des entwickelten Software-Tools sollen dann reelle Flugpläne großer
internationaler Fluggesellschaften umfassend bewertet und optimiert werden.
Dabei sollen Effekte der Flugplanumstrukturierungen erklärt und konkrete
Vorschläge zur zeitlichen Repositionierung der Flüge generiert werden.
Schließlich sollen Ansätze zur Übertragung des Modells auf andere Schedu-
ling-Probleme erarbeitet werden.
1.4 Gang der Untersuchung

Die gewählte Vorgehensweise zum Aufbau der schriftlichen Arbeit soll die
Schilderung der Nachteile der herkömmlichen Modelle und die Begründung
der Notwendigkeit der Berücksichtigung von Unsicherheitsaspekten im Sche-
duling-Prozess unterstützen. Darüber hinaus soll sie dem Leser das Wissen,
das für das Verständnis des entwickelten Modells erforderlich ist, vermitteln
und ihn somit auf die eigentliche Modelldarstellung sowie auf die Beantwor-
tung der aus der Zielsetzung der Arbeit resultierenden Forschungsfragen vor-
bereiten.
Dafür werden als erstes im Kapitel 2 die Besonderheiten der Luftverkehrs-

märkte erörtert, um die für die Konzeption eines Optimierungsmodells not-
wendigen industriespezifischen Grundlagen zu vermitteln. Es wird das
Angebot und die Nachfrage nach Luftverkehrsprodukten charakterisiert sowie
die zu der auf modernen Luftverkehrsmärkten beobachteten Markt- und
Wettbewerbsstruktur geführte Entwicklung der wichtigsten politischen Rah-
menbedingungen skizziert. Es wird die grundlegende Logik der modernen
Flugplanoptimierung präsentiert und der Prozess der Flugplanentwicklung
detailliert beschrieben.
Im Kapitel 3 werden die aus der Literatur bekannten deterministischen Flug-

planoptimierungsmodelle dargestellt. Darüber hinaus werden hier die poten-
Kapitel 1 Einleitung 5
ziellen Lösungsverfahren für Flugplanoptimierungsmodelle gezeigt und ihre

Vor- und Nachteile bezüglich des Einsatzes in dem zu entwickelnden Opti-
mierungsmodell diskutiert. Ausgehend von diesen Vor- und Nachteilen wird
dann ein Verfahren selektiert, das in das zu entwickelnde Modell integriert
werden soll.
Das Kapitel 4 dient der Darstellung der Ursachen von Flugverspätungen und
entsprechenden Reaktionsmöglichkeiten der Fluggesellschaften. Ferner wer-
den die Verspätungsstatistiken präsentiert und anhand der aus zahlreichen
empirischen und theoretischen Studien hergeleiteten Verspätungskosten für
die Luftfahrtindustrie und die Allgemeinheit die Notwendigkeit der Berücksich-
tigung der Unsicherheitsaspekte in der Flugplanoptimierung begründet. Au-
ßerdem findet sich im Kapitel 4 der Stand der Forschung auf dem Gebiet der
Abbildung der Flugplanirregularitäten und der Integration solcher irregulären
Ereignisse in die Flugplanoptimierung.
Kapitel 5 enthält die wichtigsten Konzepte der Theorie der Fuzzy-Mengen, die
für die Modellierung der Unsicherheitsaspekte bezüglich der Zeitenlagen der
Flüge benötigt werden. Es werden Methoden zur Herleitung der Fuzzy-
Zugehörigkeitsfunktionen aufgezeigt; die Vor- und Nachteile des Einsatzes
der Fuzzy-Mengen zur Beschreibung und Integration der Flugplanirregula-
ritäten werden diskutiert.
Um im entwickelten Modell die monetäre Bewertung der Flugplanlösungen zu

ermöglichen, werden im Kapitel 6 Modelle diskreter Entscheidungen präsen-
tiert, mit denen die Passagiernachfrage auf Luftverkehrsmärkten geschätzt
und prognostiziert werden kann. Neben mathematischen Notationen werden
Schätz- und Testverfahren für diese Modelle dargestellt.
Nachdem alle notwendigen Grundlagen in den ersten sechs Kapiteln vermit-

telt wurden, erfolgt im Kapitel 7 die eigentliche Darstellung des neuen Fuzzy-
und Marktmodell-basierten Flugplanoptimierungsmodells. Hier wird sowohl
die Modellstruktur und -ausgestaltung detailliert erklärt als auch die Aspekte
der Modellimplementierung im Software-Tool beschrieben. Es folgen die Er-
gebnisse der empirischen Bewertungs- und Optimierungsläufe, die durch den
Einsatz des Software-Tools auf den Flugplänen von American Airlines und
Lufthansa errechnet wurden. Anschließend werden im Kapitel 8 Ansätze zur
Übertragung des Modells auf spezielle Scheduling-Probleme erarbeitet und
die dafür notwendigen Modellanpassungen beschrieben.
6
Kapitel 2: Grundzüge der Luftverkehrswirtschaft und

des Netzwerkmanagements
2.1 Einführung
Quantitative empirische Optimierungsmodelle müssen trotz der oft verlangten
Allgemeingültigkeit der Formulierung stets die Gegebenheiten des für sie re-
levanten Einsatzgebietes realitätsnah abbilden können. Modelle zum Einsatz
in der Luftfahrtindustrie haben somit zur Gewährleistung der Validität ihrer
Ergebnisse die Besonderheiten der Luftverkehrsmärkte zu berücksichtigen.
Ferner müssen sich diese Modelle zur optimalen Unterstützung der Pla-
nungsprozesse in die bereits bestehende Methoden- und Prozesslandschaft
einordnen können bzw. sie müssen so konzipiert werden, dass sie existieren-
den unternehmensinternen Prozessabfolgen und den damit verbundenen In-
und Outputgrößen sowie der Dauer der einzelnen Planungsschritte Rech-
nung tragen. Dies erfordert eine genaue Kenntnis des Industrie- und Unter-
nehmensumfeldes.
Dieses Kapitel vermittelt das für das Verständnis der Sachverhalte in der Luft-
fahrtindustrie notwendige Wissen. Neben der historischen Entwicklung des
weltweiten Luftverkehrs werden hier die Besonderheiten und die wichtigsten
Charakteristika der Nachfrage und des Angebots auf Luftverkehrsmärkten
skizziert. Die dargestellte Entwicklung der politischen Rahmenbedingungen
mit ihren Auswirkungen auf die Märkte soll darüber hinaus die interne Dyna-
mik sowie die Markt- und Wettbewerbsstruktur der modernen Luftverkehrsin-
dustrie verdeutlichen. Des Weiteren wird in diesem Kapitel der Airline-
spezifische Netzwerkmanagementprozess inkl. Ausgestaltung und Funktion
seiner Bestandteile erläutert. Es folgt eine detaillierte Beschreibung des Airli-
ne-internen Prozesses der Flugplanentwicklung und -optimierung, die sowohl
die in den einzelnen Prozessphasen anfallenden Aktivitäten schildert als auch
die entsprechenden Prozess-In- und Outputs aufzeigt.
2.2 Grundlagen der Luftverkehrswirtschaft

2.2.1 Definition und Abgrenzung des Luftverkehrs
"Luftverkehr bezeichnet alle Vorgänge, die der Ortsveränderung von Perso-
nen, Fracht und Post auf dem Luftweg dienen"1 und umfasst alle unmittelbar
oder mittelbar damit verbundenen Institutionen und Dienstleistungen2.
1
MAUER, P. (2002), S. 1
2
Vgl. POMPL, W. (1991), S. 8; STERZENBACH, R. (1999), S. 17
Kapitel 2 Grundzüge der Luftverkehrswirtschaft und des Netzwerkmanagements 7
Unterschiedliche Autoren ordnen den Begriff Luftverkehr je nach Forschungs-

und Erkenntnisinteresse unterschiedlichen Erscheinungsformen zu. Die Krite-
rien, nach denen solch eine Zuordnung erfolgt, sind in Abbildung 2.1 syste-
matisiert. Das für diese Arbeit relevante Unterscheidungs- und Klassifizie-
rungsmerkmal des Luftverkehrs ist seine Regelmäßigkeit, die den Luftverkehr
je nach der planmäßigen Periodizität des Flugbetriebs in Linienluftverkehr
und Gelegenheitsluftverkehr gliedert3.
Luftverkehr
Wirtschaftliches
Transportobjekt Zugänglichkeit Streckenlänge Luftraum Verkehrsgebiet Regelmäßigkeit
Ziel
Linienluft-
Personen Öffentlich Gewerblich Kurzstrecke National Regional
verkehr
Gelegenheits-
Fracht Privat Allgemein Mittelstrecke International Kontinental
luftverkehr
Inter-
Langstrecke
kontinental
Abbildung 2.1: Erscheinungsformen des Luftverkehrs (Quelle: HUNZIKER, H.-J. (1983), S.

76, POMPL, W. (2002), S. 24, VOLKSMANN, C. (1989), S. 44)
Das "Abkommen von Chicago" vom 7. Dezember 1944 definiert den Luft-
linienverkehr als "... jeden planmäßigen Luftverkehr, der von Luftfahrzeugen
für die öffentliche Beförderung von Fluggästen, Post oder Fracht durchgeführt
wird ..." 4 . Der Gelegenheitsverkehr wird allgemeingültig als "gewerblicher
Flugverkehr, der nicht Fluglinienverkehr ist", definiert5.
Im weiteren Verlauf dieser Arbeit wird nur der auf die Fluggastbeförderung
bezogene Luftlinienverkehr betrachtet und untersucht.
2.2.2 Eigenschaften der Produktion von Verkehrsleistungen

Beim originären Produkt einer Fluggesellschaft, der Luftbeförderung der Pas-
sagiere, handelt es sich um eine Dienstleistung, die sich durch simultane Pro-
3
Zu anderen Abgrenzungskriterien des Luftlinienverkehrs siehe etwa POMPL, W. (1998), S. 25; SCHWENK,
W. (1995)
4
INTERNATIONAL CIVIL AVIATION ORGANIZATION (ICAO) (1944), Convention on International Civil Avi-
ation, Kap. XXII, Artikel 96a, in ZANTKE, S. (1985), S. 26
5
Vgl. §22 LuftVG; POMPL, W. (1998), S. 28
8 Kapitel 2 Grundzüge der Luftverkehrswirtschaft und des Netzwerkmanagements
duktion und Konsumption auszeichnet6. Somit gelten für die Airline-Produkte

die Merkmale der Dienstleistungsproduktion:
• Das Produkt ist immateriell bzw. es stellt ein abstraktes Leistungsver-
sprechen dar7.
• Das Produkt ist nicht lagerfähig oder speicherbar8. Es lässt sich weder
physisch greifen 9 noch auf Vorrat produzieren oder nachträglich liefern.
Dies bedeutet auch, dass die nicht genutzte Kapazität nach der Ausfüh-
rung des Fluges endgültig verloren geht10.
• Die Qualität des Produktes lässt sich nur während des Konsums feststel-
len, es ist also kein Kauf auf Probe möglich11. Bei eventuellen Mängeln
kann das Airline-Produkt somit nicht zurückgenommen werden12.
• Es besteht eine Vorauszahlungspflicht13.
• Das Produkt ist weitgehend homogen. Wegen des Einsatzes ähnlicher
oder oft sogar gleicher Produktionsmittel sprechen einige Autoren von der
Homogenität des Kernprodukts einer Fluggesellschaft14. In der modernen
Luftverkehrswirtschaft zeichnet sich jedoch ein deutlicher Trend in Rich-
tung zunehmender Individualisierung und Differenzierung des Produktan-
gebots ab15.
2.2.3 Charakteristika des Angebots

Drei wesentliche Merkmale charakterisieren das Angebot der Luftverkehrs-
leistungen:
1. Staatliche Angebotsregulierungen: Mit Ausnahme der USA und Euro-
pas wird der weltweite Linienluftverkehr durch die Verordnungen und Ak-
tionen der nationalen Regierungen kontrolliert und beeinflusst 16 . Die
6
Vgl. JÄCKEL, K. (1991), S. 79ff; DIEGRUBER, J. (1990), S. 132; KASPAR, C. (1977), S. 35, MAUER, P.
(2002), S. 86
7
Vgl. DIEGRUBER, J. (1990), S. 132; HUNZIKER, H.-J. (1983), S. 79
8
Vgl. WIEZOREK, B. (1999), S. 21; MAUER, P. (2002), S. 86; HUNZIKER, H.-J. (1983), S. 79; MALDITUS,
J. (1997), S. 443ff.
9
Vgl. HUNZIKER, H.-J. (1983), S. 79; STANOVSKY, R. (2003), S. 51; BIERMANN, T (1985), S. 78;
STERZENBACH, R. (1999), S. 139; JÄCKEL, K. (1991), S. 82ff
10
Die "Nichtlagerfähigkeit" des Produkts führt oft zu intensivem Preiswettbewerb. Da die Kapazität nach dem
Abflug unwiederbringlich verloren geht und nicht mehr Gewinn bringend eingesetzt werden kann, lohnt es
sich für die Airlines, die noch freien Sitzplätze zu Grenzkosten (und nicht zu Vollkosten) zu verkaufen.
11
Vgl. DIEGRUBER, J. (1990), S. 133
12
Vgl. MAUER, P. (2002), S. 86
13
Vgl. MAUER, P. (2002), S. 86
14
Vgl. O'CONNOR, W. (1985), S. 5; BIERMANN, T. (1985), S. 78; KRAHN, H. (1994), S. 9
15
Vgl. BOBERG K. B. / COLLISON F. M. (1989), S. 2; STANOVSKY, R. (2003), S. 52
16
Vgl. POMPL, W. (1998), S. 42
Markteintrittsbarrieren, die vor allem durch die staatlich reglementierte

Vergabe von Verkehrsrechten, Betriebs- und Streckengenehmigungen,
Slots, Tarifen und Kapazitäten entstehen, bestimmen eine "... vornehm-
lich oligopolistische Organisation des Angebots ..." des heutigen Linien-
luftverkehrs, "... dem eine ausgesprochen polypolistische Nachfrage
gegenübersteht"17.
2. Relativ unelastische Angebotsanpassung: Stark ausgeprägte Nach-
frageschwankungen bedingen die Notwendigkeit, das von den Fluggesell-
schaften zur Verfügung gestellte Sitzplatzangebot mengenmäßig anzu-
passen. Jedoch ist eine kurzfristige Kapazitätsanpassung wegen der
starren Sitzladekapazität des Flugzeuges kaum möglich 18 . Sie wird er-
schwert durch die Tatsache, dass Flugzeuge wegen ihrer teilweise unter-
schiedlichen Reichweiten und anderer technischer Gegebenheiten sowie
ihrer aktuellen räumlichen Positionierungen nicht beliebig austauschbar
sind19. Eine erfolgreiche und wirksame Angebotsanpassung ist somit nur
mittel- bis langfristig möglich20.
3. Hoher Fixkostenanteil mit relativ geringen Grenzkosten21: Die hohen
Anlageinvestitionen (Flugzeuge, Terminals, Reservierungssysteme usw.),
die in der Luftfahrtindustrie getätigt werden, resultieren in einem Fixkos-
tenblock, der ca. 70-80% der Gesamtkosten ausmacht. Die Grenzkos-
ten22, die von der Anzahl der beförderten Passagiere abhängen23, sind im
Vergleich dazu marginal.
2.2.4 Charakteristika der Nachfrage

Auf der Nachfrageseite unterscheidet man grundsätzlich zwei Kundenseg-
mente: Je nach Reisezweck spricht man hier entweder vom beruflichen oder
privaten Verkehr24. Die beiden Segmente divergieren wesentlich in den Präfe-
renzen bezüglich der angebotenen Leistung, der Erwartungshaltung sowie
17
MEINECKE, H. (1975), S. 28
18
Eine kurzfristige Erhöhung der Sitzplatzkapazität ist meist unrentabel. Eine Reduzierung der Anzahl der
Sitze bringt mit Ausnahme, dass die Ladefläche anderweitig Gewinn bringend genutzt werden kann, kaum
Kosteneinsparungen
19
Flugzeuge können sich z.B. bezüglich Lärmproduktion, Alter und damit verbundenen Wartungs- und Re-
paraturarbeiten sowie Cockpit-Typen unterscheiden. Letztere schränken die Austauschbarkeit der Crews ein
20
Wegen der begrenzten Möglichkeiten der Angebotssteuerung versucht man außerdem, die Nachfrage-
Peaks durch eine zeitlich differenzierte Preisgestaltung zu glätten
21
Vgl. DIEGRUBER, J. (1990), S. 144; POMPL, W. (1998), S. 41; STERZENBACH, R. (1999), S. 152-158;
WIEZOREK, B. (1999), S. 29-31; DÖRING, T. (1999), S. 88-89
22
Unter Grenzkosten versteht man Kosten, die bei der Produktion einer zusätzlichen Mengeneinheit anfallen
23
Kosten wie Agentenprovisionen, Bordverpflegung, Unfallversicherung, Abfertigungsgebühren
24
Vgl. POMPL, W. (1998), S. 141
der Preiselastizität, die ihre Repräsentanten besitzen 25 . So haben die Ge-

schäfts- und Privatreisenden eine unterschiedliche Einstellung zur Gesamt-
reisezeit einer Verbindung, zum Service am Bord und am Boden sowie z.B.
zu der Möglichkeit, den Rückflug an mehreren Wochentagen antreten zu
können.
Beiden Passagiersegmenten gemeinsam ist die Tendenz zu regelmäßigen

zeitlichen Schwankungen in der Nachfrage nach Luftverkehrsdienstleistungen.
Diese Schwankungen werden damit begründet, dass die Nachfrage nach
Luftverkehr für sich alleine kein Bedürfnis darstellt, sondern sich im Wesentli-
chen von den originären Bedürfnissen der Reisenden ableitet26. Die Schwan-
kungen können saisonal bedingt sein oder sich auf Wochentag und Tageszeit
beziehen. Abbildung 2.2 zeigt die Nachfrageverteilung auf die einzelnen Wo-
chentage: Man erkennt, dass sowohl Geschäfts- als auch Privatreisende die
Abflüge an Freitagen am stärksten bevorzugen. Die Wochenendtage spielen
für den beruflichen Verkehr im Gegensatz zum privaten Verkehr nur eine un-
tergeordnete Rolle. An den anderen Tagen ist die Passagiernachfrage relativ
gleichmäßig verteilt.
Verteilung
Verteilung der
der Geschäftsreisenden
Geschäftsreisenden Verteilung
Verteilung der
der Privatreisenden
Privatreisenden
19,2%
18,3%
16,7% 16,2%
15,8%
13,7% 14,8% 13,2% 14,0%
13,6%
13,1%
12,1%
9,9% 9,5%
Mo Di Mi Do Fr Sa So Mo Di Mi Do Fr Sa So
Abbildung 2.2: Verteilung der Passagiere auf die Wochentage (Quelle: Bureau of
Transportation Statistics, eigene Berechnungen)
Abbildung 2.3, in der die im Jahr 2004 von den US-amerikanischen Flugge-
sellschaften transportierten Passagiere dargestellt sind, lässt die monatlichen
Nachfrageschwankungen im Luftverkehr erkennen. So weisen in der Regel
25
Vgl. VOLKMANN, C. (1989), S. 62f.
26
Vgl. O'CONNOR, W. (1985), S. 75
die Sommermonate Juni bis August ein stärkeres Nachfrageprofil auf als die
Herbst- und Wintermonate.
Anzahl
Anzahl der
der von
von den
den amerikanischen
amerikanischen Fluggesellschaften
Fluggesellschaften im
im Jahr
Jahr 2004
2004 transportierten
transportierten
Passagiere,
Passagiere, [Mio.]
[Mio.]
51,5
49,1 49,6
46,8 45,9 45,5 45,4 43,5 44,8
39,2 40,5
38,6
Jan. Febr. März April Mai Juni Juli Aug. Sept. Okt. Nov. Dez.
Abbildung 2.3: Verteilung der von US-amerikanischen Fluggesellschaften im Jahr 2004

transportierten Passagiere auf Monate (Quelle: ATA – Air Transport Association of Ameri-
ca)
2.2.5 Entwicklung des Luftverkehrs

Der Luftverkehr war eine der weltweit am stärksten wachsenden Branchen
des letzten Jahrhunderts. Wie Abbildung 2.4 zeigt, stieg das weltweite Flug-
gastaufkommen in den letzten 50 Jahren um mehr als 5.000% auf 1,66 Mrd.
Passagiere im Jahr 2003. Dies entspricht einer durchschnittlichen jährlichen
Wachstumsrate von ca. 8%. Einen ähnlich steilen Verlauf weist die ebenfalls
in dieser Abbildung dargestellte weltweit angebotene und nachgefragte Per-
sonenverkehrsleistung auf, die in von den Airlines zur Verfügung gestellten
(ASK) und verkauften (RPK) Passagierkilometern gemessen wird. Sie wuchs
jährlich um ca. 9,4% bzw. 9,1%.
Das rapide Wachstum der Nachfrage nach Luftverkehrsleistungen begann,

wie obiger Abbildung zu entnehmen ist, in der Mitte Hälfte der 70er Jahre. Die
in den nächsten Abschnitten aufgezeigten politischen Rahmenbedingungen
erklären und begründen die Trends und Tendenzen auf den Luftverkehrs-
märkten, die zu einem derart schnellen Anstieg der Passagiernachfrage ge-
führt haben.
ASK / RPK Passagiere

[Bil. km] [Mrd. Pax]
5,0 1,8
4,5 1,6
4,0 1,4
3,5
1,2
3,0
1
2,5
0,8
2,0
0,6
1,5
1,0 0,4
0,5 0,2
0,0 0
'50 '55 '60 '65 '70 '75 '80 '85 '90 '95 '00
ASK RPK Passagiere
Abbildung 2.4: Entwicklung der weltweit beförderten Flugpassagiere (Mrd.) sowie der an-
gebotenen (ASK) und verkauften (RPK) Passagierkilometer (Bil. km) (Quelle: International
Civil Aviation Association (ICAO))
2.3 Entwicklung der wichtigsten politischen

Rahmenbedingungen im Luftverkehr
2.3.1 Regulierung des Luftverkehrs in den USA und in Europa
Auf dem US-amerikanischen Markt führten die Befürchtungen über einen
möglichen ruinösen Wettbewerb und die daraus folgende Monopolisierung
des Lufttransportsektors, die die gesamtwirtschaftliche Entwicklung des Lan-
des im hohen Maße negativ beeinflussen würde27, zur Verabschiedung der
Regulierungsgesetze im Jahr 1938. Das zentrale Element dieser Regulie-
rungsgesetze, die sowohl dem öffentlichen Interesse als auch dem Interesse
der Airlines dienen sollten, war die Einrichtung des Civil Aeronautic Board
(CAB). An das CAB wurde die praktische Umsetzung der Luftverkehrskontrol-
len übertragen28. Diese Kontrollen betrafen dabei den Marktzutritt, die Flug-
routen und Flugpreise.
In Europa drückte sich die Regulierung des internationalen Luftverkehrs in

27
Vgl. DEMPSEY, P.S. (1990), S. 4
28
Vgl. KYLE III R. (1985), S. 3
einem System bilateraler Abkommen aus, die die Vergabe der Verkehrsrech-
te und der Kapazität zwischen den einzelnen Staaten regelten29. Auf den na-
tionalen europäischen Luftverkehrsmärkten bewirkte die Regulierung "... eine
fast vollständige Fixierung sämtlicher den Fluglinienverkehr betreffenden
Wettbewerbsparameter. Ziel war der Schutz der nationalen Carrier vor aus-
ländischer Konkurrenz. Staatlich beschränkt wurden auch in Europa die freie
Preisbildung, der Zugang zu den Märkten und die Angebotsvolumina."30
Die mit der Regulierung des Luftverkehrs verbundene Unterbindung des

Preiswettbewerbs führte zu einer ineffizienten Allokation der Airline-
Ressourcen. So hatten die Airlines insbesondere keinen Anreiz, ihre Kosten
zu reduzieren, da die Kostenvorteile nicht an die Kunden weitergereicht wer-
den konnten. Anstatt über die Kosten konkurrierten die Airlines über das oft
überflüssige und unangemessen hohe Serviceangebot, was sich einerseits
negativ auf die Gewinne der Fluggesellschaften auswirkte und andererseits
Wohlfahrt mindernd für die Gesellschaft war. Zudem gab es auf vielen Flug-
strecken ein Überangebot an Sitzplätzen, was die Airline-Gewinne ebenfalls
negativ beeinflusste und eine Fehlallokation der Ressourcen darstellte.
Da solch ineffiziente Zustände die Entwicklungen der nationalen Ökonomien

behinderten und die Wettbewerbssituation auf den Luftverkehrsmärkten ver-
zerrten, setzte man in den USA und in Europa Ende der 70er Jahre Deregu-
lierungs- und Liberalisierungsprozesse in Gang, die auf die weitgehende
Aufhebung der staatlichen Kontrollen im Luftverkehr ausgerichtet waren.
2.3.2 Deregulierungs- und Liberalisierungsprozess im Luftverkehr

Die regulatorischen Veränderungen begannen in den USA mit dem Airline
Deregulation Act of 1978, einem Gesetz, das die seit 40 Jahren gültigen Kon-
trollen der Flugpreise und -märkte aufhob. Ziel dieses Gesetzes war vor allem
die Wiederherstellung des Wettbewerbs sowie die Preis- und Angebots-
flexibilisierung. Um die potenziellen negativen Folgen eines schnellen Dere-
gulierungsprozesses zu vermeiden, sah das Gesetz einen stufenweisen
Abbau der Luftverkehrsbeschränkungen vor: So sollten bis Januar 1982 in
der ersten Deregulierungsphase die Markteintrittsbarrieren vollständig abge-
schafft werden, während die zweite Phase auf die Aufhebung der Preiskon-
trollen bis Januar 1983 ausgerichtet war31.
29
Vgl. STANOVSKY R. (2003), S. 111; WIEZOREK, B. (1999), S. 103 ff.
30
STANOVSKY R. (2003), S. 111
31
Vgl. LEONARD, W. (1983), S. 453
Die insgesamt positiven Erfahrungen mit der Deregulierung in den USA lös-
ten auch im europäischen Raum diverse Bestrebungen bezüglich Öffnung
der Luftverkehrsmärkte aus. Doch da im Unterschied zu den USA die Mehr-
zahl der europäischen Fluggesellschaften staatlich war und die Regierungen
auf Grund der Marktöffnung den Verlust eines wichtigen Teils der nationalen
Souveränität befürchteten, blieben hiesige Versuche, das bestehende regu-
lierte System zu ändern, oft zögerlich. Somit konnte sich der Liberalisie-
rungsprozess in Europa nur langsam entwickeln. Er wurde im Wesentlichen
durch die Europäische Gemeinschaft vorangetrieben32.
Der Luftverkehr in Europa wurde sukzessiv im Rahmen der drei Liberalisie-

rungspakete dereguliert, die in den Jahren 1987, 1989 und 1993 in Kraft tra-
ten 33 . Im April 1997 garantierte die Europäsche Union überdies allen
europäischen Fluggesellschaften auf Strecken innerhalb der EU freien Markt-
zugang sowie vollständige Preis- und Kapazitätsfreiheit. Abbildung 2.5 fasst
die wichtigsten Liberalisierungsmaßnahmen in Europa zusammen34.
1987
1987 (Erste
(Erste Stufe)
Stufe) 1989
1989 (Zweite
(Zweite Stufe)
Stufe) 1993
1993 (Dritte
(Dritte Stufe)
Stufe) 1.
1. April
April 1997
1997
• Einführung ermäßigter Tarife • Erweiterte Margen bei Tarifen • Aufhebung aller • Volle Kabotage möglich
(Margentarife: Discount-Tarif (Deep Discount bis 70% unter Beschränkungen hinsichtlich
10-35% unter Normaltarif, Deep Normaltarif) Strecken und Kapazitäten
Discount 35-55% unter
• Kapazität einer Airline kann • Niederlassungsfreiheit für
Normaltarif)
während einer Saison innerhalb EU-Gesellschaften (freier
• Einführung des „Double bestimmter Grenzen erhöht Marktzugang) mit Ausnahme
Disapproval“ für diese Tarife werden (bis 75%:25% der echten Kabotage kann jede
(Tarife gelten automatisch als Kapazitätsaufteilung zwischen EU-Airline jede Strecke
genehmigt, sofern sie nicht von den beteiligten Airlines) innerhalb der EU fliegen
beiden beteiligten Regierungen
• Zusätzliche Rechte der 5.
innerhalb von 30 Tagen
Freiheit
abgelehnt werden)
• Die Aufnahme neuer
• Abkehr vom strikten
Liniendienste der 3., 4. und 6.
Kapazitätsverhältnis (50:50%)
Freiheit zwischen den
zwischen den beteiligten
internationalen Flughäfen der
Airlines im Nachbarschafts-
EU darf von den nationalen
verkehr
Regierungen nicht mehr
• Erweiterung des Rechts der verweigert werden
5. Freiheit
Abbildung 2.5: Liberalisierung des Luftverkehrs in Europa
Trotz vermehrter Deregulierungs- und Liberalisierungsbestrebungen kann je-

doch in vielen Bereichen des Luftverkehrs noch keine Rede von freiem Wett-
32
Vgl. WIEZOREK, B. (1999), S. 103
33
Siehe dazu etwa MAUER, P. (2002), S. 16ff.; POMPL, W. (1991), S. 272-304; STANOVSKY, R. (2003), S.
120-127; DIEGRUBER J. (1990), S. 207-220; BEYEN R,/HERBERT J. (1991), S. 72-140
34
Die für das Verständnis der Abbildung 2.5 benötigten Erklärungen der Freiheitsgrade im Luftverkehr finden
sich im Anhang
bewerb sein. So verhindern die immer noch bestehenden bilateralen Ab-

kommen zwischen den europäischen und nicht europäischen Staaten eine
effiziente, kostengünstige und marktkonforme Produkt- und Ressourcenallo-
kation. Die regulierten Airline-Besitzverhältnisse erlauben keine freien Kapi-
talflüsse und vereiteln somit eine optimale Risikoallokation der Fluggesell-
schaft35. Andere Wettbewerbseinschränkungen oder -verzerrungen wie z.B.
die reglementierte Verfügbarkeit und Vergabe von Slots und staatliche Sub-
ventionen wirken sich ebenfalls negativ auf die Markteffizienz der Luftfahrt-
industrie aus (siehe Abbildung 2.6).
Bestehende Regulierungen und Auswirkungen auf die Märkte

Wettbewerbsverzerrungen
1 Regulierte Airline- Besitzverhältnisse • Kein freier Kapitalfluss

• Fragmentierte Marktstruktur mit fast völliger
Abwesenheit von internationalen Fusionen und
Akquisitionen
• Sub-optimale Risikoallokation
2 Komplexes System bilateraler • Verhinderung der vollständigen Realisierung der

Abkommen Netzwerkpotenziale
3 Regulierte Verfügbarkeit von Slots • Sehr hohe Markteintrittsbarrieren

• Ineffiziente Allokation und Benutzung von Slots
4 Staatliche Subventionen für "Flag" - • Unfairer Wettbewerb durch subventionierte Preise

Carrier • "Künstliche Beatmung" der ineffizient arbeitenden
Airlines
5 Flughafen im Staatsbesitz- und betrieb • Keine von der Nachfrage getriebene Entwicklung der
Flughafeninfrastruktur
Abbildung 2.6: Bestehende Regulierungen und Wettbewerbsverzerrungen in der Luftfahrt-

industrie und ihre Auswirkungen auf die Märkte (Quelle: Roland Berger Strategy Consul-
tants (2003): Internes Know-how-Papier)
2.3.3 Auswirkungen der Deregulierung und Liberalisierung auf die

Luftverkehrsmärkte
Der Deregulierungs- und Liberalisierungsprozess hat weit reichende Verän-
derungen in der modernen Luftfahrtindustrie in Gang gesetzt. Die Möglichkeit
der freien Angebots- und Preisgestaltung versetzte die etablierten Fluggesell-
35
Vgl. DÖRING, T. (1999). S. 82ff.
schaften in die Lage, ihr Produkt an die Kundenwünsche anzupassen und

ihre Preise durch Optimierung der Kostenbasis flexibel und marktkonform zu
gestalten. Neue Fluggesellschaften erhielten Zutritt zum Markt. Die Deregu-
lierung wirkte sich also auf die Streckennetze und Flugpreise der Airlines so-
wie auf die Wettbewerbs- und Marktstruktur der Industrie aus.
2.3.3.1 Streckennetze und Flugangebot

Der Wegfall der regulatorischen Vergabe von Flugstrecken und die daraus
resultierende Möglichkeit zur freien Wahl der zu bedienenden Destinationen
führte zu einer vollkommenen Umgestaltung und Reorganisation der Stre-
ckennetze. Hatten sich die Airlines vor der Deregulierung auf die Bedienung
der lokalen Nachfrage zwischen zwei Städten spezialisiert, so begannen sie
nach der Deregulierung, ihre Netzwerke in große Drehscheiben (so genannte
Hub-and-Spoke-Netzwerke36) zu verwandeln, in denen der ankommende und
ausgehende Passagierverkehr zusammengeführt wird, was die Anzahl der
erschlossenen Märkte maximiert. Mittel- und Langstreckenflüge blieben dabei
den großen Airlines vorenthalten, die als "Flag"-Carrier bezeichnet werden.
Regionale Fluggesellschaften bedienten die Kurzstrecken37.
Die Entwicklung der Hub-and-Spoke-Netzwerke ermöglichte den Fluggesell-

schaften die Senkung ihrer Stückkosten38 und erhöhte durch die Steigerung
der Anzahl der bedienten Flugmärkte gleichzeitig die Attraktivität der Airline-
Netzwerke für die Passagiere. Der Nachteil solcher Netze besteht allerdings
darin, dass die Passagiere ihr Reiseziel nicht mehr direkt, sondern nur über
einen Umsteigeflughafen erreichen.
Eine derartige Netzwerkumstrukturierung führte auch dazu, dass kleinere

Städte ihre Luftverkehrsanbindung entweder vollständig verloren oder mit
wesentlich weniger Direktflügen bedient wurden. Der Ersatz der Direktflüge
durch die Transferverbindungen über einen Hub bedingte zwar eine Verlän-
gerung der Reisezeit, die Anzahl der angebotenen Flugfrequenzen stieg je-
doch in der Regel39. Zudem wurden neue Märkte erschlossen, die früher nur
mit mehrmaligem Umsteigen und langen Wartezeiten erreicht werden konn-
ten.
36
Siehe Abschnitt 2.4.3
37
38
z.B. durch die Möglichkeit des Einsatzes größerer Flugzeuge
39
Vgl. MORRISON S./ WINSTON C. (1986), S. 23ff.
2.3.3.2 Flugpreise
Die Deregulierung der Märkte hatte erhebliche Veränderungen in Tarifstruktur
und -niveau verursacht. Während die neu auf dem Markt auftretenden Billig-
anbieter, so genannte "Low Cost Carrier", in der Regel eine sehr einfache
und übersichtliche Tarifstruktur implementierten, entwickelten die meisten et-
ablierten Airlines ein sehr komplexes und vielschichtiges Tarifsystem, das mit
Hilfe diverser Restriktionen40 die einzelnen Tarife voneinander abgrenzt. Es
versetzte die Airlines in die Lage, die Preise in Abhängigkeit von Kundenbe-
dürfnissen zu gestalten. Die Preise wurden somit nicht mehr aus den Kosten,
sondern aus den jeweiligen Marktverhältnissen hergeleitet41.
Die Flexibilisierung der Preise führte auf dem amerikanischen Markt zu einer
Reduktion der Flugpreise um 15-20% 42 . In Europa konnte hingegen keine
generelle Senkung der Flugpreise beobachtet werden43. Erhebliche Preismin-
derungen wurden hier wettbewerbsbedingt ausschließlich auf Strecken fest-
gestellt, auf denen mehr als zwei Fluggesellschaften ihren Service anboten
oder auf denen sich die Low Cost Carrier etablierten 44.
2.3.3.3 Wettbewerb und Marktstruktur

Die Öffnung der Märkte verschärfte den Wettbewerb der Fluggesellschaften
drastisch. Sie waren nun gezwungen, ihre Produktivität deutlich zu erhöhen
sowie ihr Angebot und die Kostenstruktur den Marktanforderungen anzupas-
sen. Um im globalen Wettbewerb bestehen zu können, gingen die Airlines
strategische Partnerschaften ein. In den nächsten zwei Abschnitten werden
die Auswirkungen der Deregulierung auf die Wettbewerbslandschaft skizziert
sowie die Formen der strategischen Partnerschaften mit ihren Vor- und Nach-
teilen erläutert.
2.3.3.3.1 Wettbewerb zwischen etablierten und neuen

Fluggesellschaften
Die Deregulierung verursachte in den 80er und Anfang der 90er Jahre eine
große Krise der gesamten US-Luftfahrtindustrie. Der Wettbewerb zwischen
etablierten und neu gegründeten Fluggesellschaften ließ an die 100 Airlines
40
z.B. Restriktion bezüglich Wochenendaufenthalt, Abflugtag, Möglichkeit zur Änderung der Abflugszeit
41
42
Vgl. DIEGRUBER, J. (1990), S. 195
43
Vgl. STANOVSKY, R. (2003), S. 205
44
Vgl. Kommission der Europäischen Gemeinschaft (1996): Auswirkungen des Dritten Pakets von Maßnah-
men zur Liberalisierung des Luftverkehrs, S. 6
vom Markt verschwinden: Sie gingen bankrott oder fusionierten. Einige Flug-
gesellschaften konnten nur durch staatliche Hilfen oder Konkursschutz weiter
existieren. Kaum eine der neu gegründeten Fluggesellschaften überlebte ei-
genständig45. Abbildung 2.7 gibt einen Überblick über die wichtigsten Markt-
ein- und -austritte in den USA.
Air FL
Midway Große Newcomer

Republic
AirCal
Morris
PSA
Reno
South- Midwest Air
west
NY America- Value
People MGM KIWI Pan
Air West Jet
Express Grand Am II
79 80 81 82 83 84 85 86 87 88 89 90 91 92 93 94 95 .. 00
Branifft Air FL People World Western Eastern Pan Morris TWA

Express Am
Texas Capitol Pied-
PSA mont
Frontier
AirCal
Republic America West
TWA
Große Pleiten Chapter 11 Chapter 11
Continental
Chapter 11
Abbildung 2.7: Die wichtigsten Newcomer und Pleiten in der amerikanischen Luftfahrt-
industrie (Quelle: Roland Berger Strategy Consultants (2003): Internes Know-how-Papier)
Starker Wettbewerb und die damit verbundene Konsolidierung führten sowohl

in den USA als auch in Europa zu einem hohen Kostendruck. Durch die Op-
timierung der Streckennetze sowie durch tief greifende Restrukturierungs-
maßnahmen konnten die Airlines ihre Kosten allerdings deutlich reduzieren46.
Doch die so gewonnenen Kostenvorteile mussten die amerikanischen Flug-
gesellschaften, wie Abbildung 2.8 zeigt, vollständig an ihre Kunden weiterge-
ben. Wie empirische Untersuchungen zeigen, waren dagegen die
Fluggesellschaften in Europa zum größten Teil in der Lage, die realisierten
Kostensenkungspotenziale einzustreichen 47 und somit ihre Ertragslage zu
verbessern.
45
Vgl. DÖRING, T. (1999), S. 77
46
Vgl. DIEGRUBER, J. (1990), S. 222ff.; STANOVSKY, R. (2003), S. 205
47
Vgl. STANOVSKY, R. (2003), S. 205-206
Konsolidierung “Gesättigter Markt"
9,0
-28%
8,5
8,0 Effizienzgewinne
7,5
wurden an die
Kunden
7,0
weitergereicht
6,5
6,0 -23%
5,5
5,0
4,5
4,0
78 980 982 984 986 988 990 992 994 996 998 000
19 1 1 1 1 1 1 1 1 1 1 2
Durchschnittsertrag (real; 1978=100)
Stückkosten (real, 1978=100)
Abbildung 2.8: Entwicklung der Durchschnittserträge und Stückkosten der US-

amerikanischen Fluggesellschaften nach der Deregulierung [Dollar-Cents] (Quelle: Roland
Berger Strategy Consultants (2003): Internes Know-how-Papier)
2.3.3.3.2 Strategische Flugallianzen und Kooperationen

In der durch die Liberalisierungsbestrebungen ausgelösten Marktsituation, die
sich durch zunehmenden Druck auf Erträge und Kosten auszeichnete, war
das isolierte Agieren für Fluggesellschaften mit erheblichen Risiken verbun-
den48. Zudem erkannten die Airlines, dass mit Eingehen von strategischen
Partnerschaften, so genannten Flugallianzen, signifikante umsatz- und kos-
tenseitige Synergiepotenziale realisiert werden können49. Dies führte dazu,
dass die Anzahl der Allianzen und Kooperationen im Luftverkehr kontinuier-
lich zunahm50: So wird der Wettbewerb im Luftverkehr seit Beginn der 90er
Jahre nicht mehr zwischen einzelnen Fluggesellschaften, sondern primär
zwischen Allianzen ausgetragen 51 . Die strategischen Allianzen entwickeln
sich dabei immer mehr von den früheren bilateralen regionalen Kooperatio-
nen in Richtung weltweiter multilateraler Partnerschaften. Abbildung 2.9 zeigt
die mit der Allianzbildung verbundenen Synergieeffekte.
48
Vgl. JÄCKEL, K. (1991), S. 284
49
Siehe Abbildung 2.9
50
Vgl. GALLACHER, J. (1998), S. 42; AIRLINE BUSINESS (2000): Danach belief sich 1999 die Anzahl der
weitweiten Allianzen ohne finanzielle Beteiligung auf 513; mit finanzieller Beteiligung auf 53
51
Vgl. POMPL, W.(2002), S. 404
Umsatzseitige Synergien
• Anlocken zusätzlicher Passagiere durch größere Zusammensetzung der Synergiepotenziale [%]

Netzwerke, höhere Frequenzzahl und bessere
Flugverbindungen
• Umsatzsteigerung durch gemeinsame Kunden- und Andere
Agentenbindungsprogramme, Frequent-Flyer- (Stationen, Cargo, Netzwerk
Finanzen, Marketing)
Programme und gemeinsames Branding 16
• Vermeidung der Ertragerosion: Koordination von
Pricing und Yield Management 35
• Zusätzlicher Umsatz aus Direktflügen auf den IT 8
Hauptrouten
• Zusätzlicher Umsatz aus neuen
Transferverbindungen Wartung/ 11
Reparatur
Kostenseitige Synergien
17 13
• Reduktion der Überkapazitäten Vertrieb
Einkauf
• Integration der Nebenfunktionen (IT, Handling usw.)
• Integration der Vertriebsmannschaften
• Steigerung der Einkaufsmacht (Flugzeuge, Kostenseitige Synergien
Treibstoff, usw.) Umsatzseitige Synergien
• Reduktion der Personal- und Materialkosten
Abbildung 2.9: Synergiepotenziale einer Airline-Allianz (Quelle: Roland Berger Strategy

Consultants (2004): Internes Know-how-Papier)
Je nach regionaler Netzabdeckung unterscheidet man regionale und globale

Allianzen52. Abbildung 2.10 zeigt den aktuellen Stand der größten Flugallian-
zen. Man erkennt, dass die Hälfte des weltweiten Passagieraufkommens so-
wie der generierten Umsatzströme im Rahmen von Airline-Kooperationen
abgewickelt wird. Der Wettbewerb auf Luftverkehrsmärkten wird somit von
der Ebene der einzelnen Fluggesellschaften auf die Ebene der Allianzgrup-
pen verlagert.
Die am häufigsten verbreitete Form der Airline-Kooperationen ist das Code-

sharing53. Beim Codesharing fügt eine Airline ihrem Flugplan, also unter ihrer
Flugnummer, einen Flug hinzu, der operationell von einer anderen Airline
ausgeführt wird54. Codesharing kann sowohl einzelne Flüge als auch gesam-
te Flugnetzwerke betreffen.
Die damit verbundenen wirtschaftlichen Vorteile resultieren im Wesentlichen

aus folgenden Effekten55:
1. Erhöhung der Marktanteile durch Erhöhung der Flugfrequenz
2. Ausweitung der gemeinsamen Netzwerke und der Marktpräsenz
52
Vgl. STANOVSKY, R. (2003), S. 198; POMPL, W. (2002), S. 405ff.
53
Im Anhang findet sich eine Übersicht über die Entwicklung der Codeshare-Flüge im Zeitraum 1996 bis
2004
54
Siehe dazu etwa OUM/PARK/ZHANG (1996), S. 190; BURTON, J./HANLON P. (1994), S. 220
55
Vgl. POMPL, W. (2002), S. 110ff.
3. Vernachlässigung der bilateralen Länderabkommen und fehlenden Ver-

kehrsrechte
4. Erhöhung der Wettbewerbsfähigkeit der Transferverbindungen56
5. Verbesserung der Flugzeugauslastung beider beteiligten Airlines durch
gemeinsame Planung57
6. Produktverbesserung, z.B. gemeinsames Check-In, Lounges, Vielflie-
gerprogramme.
Mitglieder • Air Canada • Aeromexico • Aer Lingus

• Air New Zealand • Air France • American Airlines
• All Nippon • Alitalia • British Airways
• Asiana • Continental Airlines • Cathay Pacific
• Austrian Airlines • CSA Czech Airlines • Finnair
• British Midland • Delta Airlines • Iberia Airlines
• LOT Polish Airlines • KLM • Lan Chile
• Lufthansa • Korean Air • Quantas Airways
• Mexicana • Northwest
• SAS
• Singapore Airlines
• Spanair
• Tap Air Portugal
• Thai Airways
• United Airlines
• US Airways
• Varig
Weltweiter Passa- 19,5% 18,0% 11,9% Σ=49,4%
gieranteil
Weltweiter Anteil 21,9% 19,1% 15,4%
an RPKs Σ=56,4%
Weltweiter Umsatz- 24,9% 18,6% 14,4%
anteil
Σ=57,9%
Abbildung 2.10: Die größten weltweiten Flugallianzen (Quelle: Airline Business, Septem-
ber 2004)
Im Bezug auf die Art der Kooperation und der Risikoverteilung zwischen den
Partnern unterscheidet man beim Codesharing drei wesentliche Typen von
Abkommen: Blocked-Space-Vereinbarungen, Free-Sale-Vereinbarungen
und Joint-Venture-Flüge58. Blocked-Space-Vereinbarungen sind ein vertrag-
lich festgelegter Kauf oder Tausch einer bestimmten Anzahl von Sitzplätzen
56
Die Vergabe eines Codeshares verhüllt die Tatsache, dass mehrere Airlines an einer Transferverbindung
beteiligt sind. Dies verbessert die Positionierung der Verbindung in Computer-Reservierungssystemen und
somit ihre Wertigkeit. Die meisten Passagiere bewerten zudem solch eine Codeshare-Verbindung als eine
Verbindung, die von nur einer Airline ausgeführt wird. Da sie auf ihrem Reiseweg den Wechsel der Flugge-
sellschaft in der Regel meiden, entscheiden sie sich daher eher für eine Codeshare-Verbindung
57
Vgl. HANLON, P. (1996), S. 105
58
Vgl. DÖRING, T. (1999), S. 121ff.
auf einem Partnerflug. Der Erwerber der Sitzkontingente vermarktet diese un-
ter eigener Flugnummer. Je nach dem, wer das Verkaufsrisiko trägt, spricht
man hier vom Hard Agreement oder Soft Agreement. Beim Hard Agreement
muss die nicht operierende Airline für alle Sitze der erworbenen Kontingente
bezahlen, wohingegen sie beim Soft Agreement einige Sitzplätze innerhalb
bestimmter Fristen zurückgeben kann und somit nicht zu bezahlen braucht.
Bei Free-Sale-Vereinbarungen ermöglicht die Airline, die den Flug durchführt,
dem Kooperationspartner einen direkten oder indirekten Zugriff auf seine
Sitzplatzkapazität über das Reservierungssystem. Unter Einhaltung gewisser
Beschränkungen und zu festgelegten Kommissionen oder Preisen darf dieser
dann die freien Plätze buchen. Bei der Durchführung von Joint-Venture-
Flügen werden die jeweiligen Erlöse und Kosten unter beiden beteiligten
Fluggesellschaften aufgeteilt59.
Außer Codesharing sind noch andere Formen der netzwerkseitigen Koopera-

tion von Fluggesellschaften möglich. Abbildung 2.11 fasst die wesentlichen
Ausprägungen solcher Kooperationen zusammen und zeigt, in welcher Rela-
tion diese zur Bindungsintensität stehen.
strategischer Fokus
Netzseitige Allianz-Vereinbarungen Fusionen/

Akquisitionen
Codeshare- Vereinbarungen Gemeinsames
Netzwerkmanagement
Schedule- Gemeinsames Pricing/
Koordination Yield Management
Integration
Joint-Venture-
Flüge
Blocked-Space-
Vereinbarung
Franchising
Wet Lease Free-Sale-
Vereinbarung
Interlining
Bindingsintensität/Austrittsrisiken
Abbildung 2.11: Mögliche Formen der netzwerkseitigen Kooperation im Luftverkehr (Quel-

le: Roland Berger Strategy Consultants (2000): Internes Know-how-Papier)
Die in Abbildung 2.11 dargestellten "Interlining"- und "Wet-Lease"-Koopera-
59
Entspricht dem IATA-Pool-Abkommen
tionen sind sehr lose Kooperationsformen. Unter "Interlining" versteht man

den Verkauf von Flugtickets einer Fluggesellschaft über die Reservierungs-
systeme einer anderen Fluggesellschaft sowie das Bilden von Transferver-
bindungen, an denen mehrere Fluggesellschaften beteiligt sind und die auch
als solche verkauft werden. Von "Wet Lease" spricht man, wenn ein Flug-
zeug samt Besatzung zu einem vereinbarten Preis über einen bestimmten
Zeitraum vermietet wird60. Alle dabei entstehenden Kosten, z.B. für Treibstoff
und Wartung oder Landegebühren, werden vom Flugzeugbesitzer getragen.
Schedule-Koordination und gemeinsames Netzwerkmanagement sind
Kooperationsformen, die die Integration der Netz-, Preis-, und Kapazitätspla-
nungsprozesse der beteiligten Airlines erfordern und sich nur im jeweiligen
Integrationsgrad unterscheiden. Durch die "Franchising"-Vereinbarungen
vermarkten die großen Fluggesellschaften ihren Markennamen, um auf Ni-
schenmärkten präsent zu sein, die sie selbst operativ nicht sinnvoll bedienen
können.
Wie bereits oben erwähnt, begannen die Fluggesellschaften, ihre Flugnetz-

werke für sich alleine und im Rahmen der strategischen Allianzen und Part-
nerschaften zu optimieren, um die Vorteile der neuen Marktordnung im
Luftverkehr in vollem Umfang auszunutzen. Die nachfolgenden Abschnitte
erläutern die wesentlichen Aspekte des Netzwerkmanagements und schildern
den Prozess der Flugplanentwicklung und -optimierung.
2.4 Grundzüge des Airline-Netzwerkmanagements

Abgesehen von den vorhandenen materiellen Aktiva stellt der Flugplan die
wichtigste Ressource und die Quelle der Ertragsströme einer Fluggesell-
schaft dar. Die mit der Änderung der Flugpläne verbundenen Aktionen beein-
flussen unmittelbar das operative Ergebnis einer Airline und wirken sich somit
direkt auf ihre Rentabilität aus. Ein effizientes Management der Flugnetzwer-
ke ist deshalb eine der wichtigsten Aufgaben, die die Airlines im Rahmen der
operativen und strategischen Planungen wahrnehmen. Da das Verständnis
der komplizierten Prozesse und Aktivitäten im Kontext des Netzwerkmanage-
ments später bei der Darstellung des in der vorliegenden Arbeit entwickelten
Flugplanoptimierungsmodells benötigt wird, werden diese nachfolgend in ih-
ren Grundzügen präsentiert.
60
Vgl. SCHMIDT, G.H. (1999)
2.4.1 Aufgaben und Funktionen des Airline-Netzwerkmanagements

Die primäre Aufgabe des Netzwerkmanagements besteht in der Planung,
Steuerung und Koordination des gesamten Flugnetzwerks einer Airline. Das
Flugnetzwerk ist dabei als die Gesamtheit aller Flüge der jeweiligen Airline zu
verstehen. Es enthält außer den Direktflügen auch alle möglichen Flugkombi-
nationen, die von Flugverbindungen zwischen Städtepaaren erzeugt werden.
Die das Netzwerk bildenden Flugverbindungen sind Produkte einer Airline.

Sie bestimmen zusammen mit weiteren Determinanten wie Preis und Verfüg-
barkeit, die ebenfalls vom Netzwerkmanagement definiert und gesteuert wer-
den, das Angebot einer Airline an ihre Kunden. Das Netzwerkmanagement ist
somit für die Angebotsgestaltung einer Airline verantwortlich. Da allerdings im
Rahmen des Netzwerkmanagements die wichtigsten Produkteigenschaften61
festgelegt werden, die sich auf die Auswahl und Kaufentscheidung der Pas-
sagiere direkt auswirken, beeinflusst das Netzwerkmanagement auch die
Nachfrage nach Luftverkehrsleistungen einer Fluggesellschaft.
In der modernen Fluggesellschaft wird, wie in Abbildung 2.12 dargestellt, der

größte Teil der Gesamtkosten direkt oder indirekt durch die Größe und die
Typische
Typische Kostenstruktur
Kostenstruktur einer
einer Fluggesellschaft
Fluggesellschaft
~15% 100%
~15% ~85%
~20%
~50%
Flugvariable Flugzeug- Sonstige Netzwerk- Passagier- Gesamt

Kosten variable Kosten Fixkosten abhängige variable Kosten
Kosten
Abbildung 2.12: Kostenstruktur einer Fluggesellschaft (Döring, T. (1999); Stanovsky, R.

(2003), eigene Projekterfahrung)
61
z.B. Zeitenlagen der Flüge, Umsteige- und Wartezeiten, Flugzeugtypen
Struktur des Flugnetzes bzw. durch das Angebot an Flugverbindungen be-

stimmt62. So sind nur ca. 15% der Kosten passagierabhängig, für ca. 40-50%
der Kosten ist die Entscheidung, ein Flugereignis durchzuführen, Ausschlag
gebend. Die restlichen 20-30% der Kosten entstehen durch Netzinfrastruktur,
Flotte, Vertrieb usw. Das Netzwerkmanagement definiert also die Struktur
und das Ausmaß der wichtigsten Kostentreiber und hat somit einen direkten
Einfluss auf die Ertragssituation einer Fluggesellschaft.
Das Netzwerkmanagement steht also vor der Aufgabe, eine optimale Alloka-
tion der Flugplanressourcen zwischen der Markt- bzw. der Passagiersicht und
der Produktionssicht zu finden. Dabei müssen die Passagierströme und die
daraus resultierenden Umsätze maximiert und die Kosten des Flugbetriebes
minimiert werden. Diese Suche nach der optimalen Ressourcenallokation ist
eine der schwierigsten Aufgaben im Airline-Geschäft. Ihre Komplexität ergibt
sich aus der weitgehenden Unabhängigkeit der Passagier- und der Produkti-
onssicht.
Flugverbindungen
Flugverbindungen //
Flugproduktion
Flugproduktion Sitzplatzströme
Sitzplatzströme
A A
D D
B B
C E C E
PRODUKTIONSSICHT
Optimierende Rolle des

Netzwerkmanagements
PASSAGIERSICHT
Passagiernachfrage
Passagiernachfrage
A
D
C E
Abbildung 2.13: Netzwerkmanagement als Schnittstelle zwischen Produktions- und Passa-

giersicht
62
Vgl. DÖRING, T. (1999). S. 88; STANOVSKY, R. (2003), S. 32; POMPL, W. (2002)
Die Passagiersicht beschreibt die Wünsche der Reisenden bezüglich ihrer

Beförderung zwischen verschiedenen Städtepaaren und bildet somit die
Nachfrageströme. Die Produktion einer Airline wird durch einen Flug auf einer
bestimmten Flugstrecke ("Leg") zu einem bestimmten Zeitpunkt mit einem
bestimmten Flugzeugtyp gekennzeichnet. Somit lässt sich die Produktions-
sicht als die Gesamtheit aller Flüge mit den entsprechenden Flugzeugen dar-
stellen. Die Produktionssicht definiert die Flugzeugströme bzw. Ströme der
Sitzplatzkapazitäten. Die Aufgabe des Netzwerkmanagements ist es also,
diese unabhängigen Sichten möglichst eng aneinander zu koppeln bzw. die
Produktionssicht der Passagiersicht anzupassen und dabei die Durchführbar-
keit der Airline-Aktivitäten zu gewährleisten.
Die Komplexität des oben beschriebenen Netzwerkoptimierungsprozesses

hat dazu geführt, dass die Airlines in einem wesentlich höheren Ausmaß als
die meisten anderen Industrien Modelle und Tools aus dem Operations-
Research-Bereich einsetzen. Doch trotz des Einsatzes der vielfältigen Opera-
tions-Research-Werkzeuge ist es wegen der höchst komplexen Natur des
Netzwerkplanungs- und -optimierungsprozesses noch keiner Airline gelungen,
alle in diesem Prozess enthaltenen Komponenten in einem Modell zu ver-
einen und sie simultan zu optimieren. Vielmehr wurde der Prozess in eine Ab-
folge sequentieller Funktionen zerlegt63.
Die Prozessabfolge beinhaltet Scheduling, Produktionsplanung, Pricing, Yield

Management und Vertrieb. Jeder der einzelnen Schritte der Netzwerkpla-
nungssequenz, die der Reihe nach durchlaufen werden, hat seine eigenen
zeitlichen Horizonte, operative Restriktionen und Detailziele. Die Maximierung
des Gesamtgewinns der Airline ist jedoch das übergeordnete Ziel aller Pro-
zessbausteine. Abbildung 2.14 auf der nächsten Seite zeigt die wesentlichen
Bestandteile des Netzwerkplanungs- und -optimierungsprozesses.
Im hier dargestellten Netzwerkplanungsprozess wird mit Hilfe von Scheduling

die Gestalt des Flugnetzwerkes einer Airline bestimmt. Die Produktionspla-
nung beschäftigt sich mit der produktionsseitigen Umsetzung einer Netzwerk-
lösung, Pricing ist für die Ausgestaltung der Tarifstruktur verantwortlich und
Yield Management evaluiert und steuert die Sitzplatzverfügbarkeit ausgehend
von der gegebenen Kapazität64.
Abbildung 2.15 verdeutlicht die zeitliche Anordnung der einzelnen Unter-
63
Vgl. SMITH B.C./ BARLOW J./ VINOD B.(1997), S. 117
64
Vgl. DÖRING, T. (1999), S. 91.
schritte im Netzwerkplanungs- und -optimierungsprozess. Der Prozess be-

ginnt bereits drei bis fünf Jahre vor Durchführung eines jeden Fluges: Basie-
rend auf der Marktentwicklung und der Unternehmensstrategie wird die Netz-
strategie festgelegt, d.h. es wird über die zu bedienenden Märkte und die
Flottengröße und -zusammensetzung entschieden. Sechs Monate vor Beginn
einer Flugplanperiode muss der Flugplan sowie die Flugzeug- und Crewpla-
nung erstellt werden. Im Rahmen der kurzfristigen Steuerung erfolgen dann
Pricing und Yield Management.
Netzwerkplanungsfunktionen Wichtigste Detailschritte / Tools
Marktplanung und Angebotsoptimierung

• Gesamtmarktplanung
Scheduling • Marktanteilsabschätzung
• Hub-Optimizer/Connection Builder
Umlaufplanung
Netzwerkplanungs- Prozess
Produktionsplanung
• Fleet Assignment
Fleet Assignment • Routing Generator/Rotation Builder
• Zuverlässigkeitsvorhersage-Modelle
Preisoptimierung
Pricing • Tarifplanung und Segmentierung
• Analyse und Simulationsmodelle
Umsatzoptimierung
Yield Management • Nachfrage- Forecasting
• Yield-Optimierung durch
Verfügbarkeitssteuerung bezüglich der
Buchungsklassen und O&Ds
Abbildung 2.14: Prozess der Netzwerkplanung und -optimierung
Der Netzwerkplanungs- und -optimierungsprozess umfasst somit die Kern-

funktionen einer Airline. Seine Effizienz und die Qualität seiner Ergebnisse
beeinflussen in bedeutendem Ausmaß die Umsatzentwicklung und die opera-
tive Kostenbasis einer Fluggesellschaft. Eine Verbesserung der Effektivität
dieses Prozesses oder einiger seiner Komponenten, die auch das Ziel der
vorliegenden Arbeit ist, hat direkte Auswirkungen auf den Gewinn und die
Wettbewerbsfähigkeit einer Airline-Unternehmung.
Netzstrategie
Marktent- Entwicklung Flotten-

wicklung Strategie planung Netzplanung
Marktfor- Flugplan- Rotations- Verfeinerung

schung planung planung Flugplan
IATA Netzsteuerung
draft
Kapazitäts- "Pricing" Yield mana-
austausch gement
3-5 Jahre 12 Monate 6 Monate Tag des

Abflugs
Abbildung 2.15: Zeitliche Struktur des Netzwerkplanungsprozesses (Quelle: Roland Ber-

ger Strategy Consultants (2002): Internes Know-how-Papier)
2.4.2 Grundgedanke der Netzwerkoptimierung

In den ersten Entwicklungsphasen des Netzwerkmanagements wurde die
Netzwerkoptimierung als reine Flugstrecken- bzw. "Leg"-Optimierung ver-
standen: Die Airlines versuchten, die Passagiernachfrage auf einer bestimm-
ten, von den anderen Flugverbindungen als unabhängig betrachteten Flug-
strecke möglichst gut zu befriedigen und so die Flugzeugauslastung zu
steigern. Die Optimierungseinheit war also ein einzelner Streckenabschnitt
bzw. ein Flug. Der Wettbewerb spielte dabei nur eine untergeordnete Rolle.
Entsprechend dieser Sichtweise wurde die Netzplanung und -steuerung so-
wie die Erfolgsmessung auf der Leg-Basis durchgeführt.
Aus Sicht des Kunden spielen jedoch nur der Abflugsort (Origin) und der
endgültige Bestimmungsort (Destination) – nicht die einzelnen Flüge – eine
Rolle für die Entscheidung zur Selektion einer Reiseverbindung. Im Bestre-
ben, das Kapazitätsangebot am Produktwunsch der Kunden auszurichten,
sowie als Reaktion auf die Verschärfung des Wettbewerbsumfelds haben die
Fluggesellschaften ihre Philosophie der Netzwerkoptimierung geändert: Für
das moderne Netzwerkmanagement wird das Angebot nicht mehr über Flug-
strecken, sondern über O&D-Verbindungen, also Verkehrsströme zwischen
Origin und Destination, definiert. Die Optimierungseinheit ist nicht mehr der
einzelne Flug, sondern ein O&D-Markt 65 . Abbildung 2.16 verdeutlicht die
Sichtweise der modernen Netzwerkplanung.
65
O&D-Markt wird oft als ein "O&D" bezeichnet
Nachfrage Angebot
PAR - NYC
FRA
PAR direkt NYC
LON
AMS
Abbildung 2.16: Sichtweise der modernen Netzwerkplanung – O&Ds statt Strecken (Quel-
le: Roland Berger Strategy Consultants (1999): Internes Know-how-Papier)
Mit dem Wandel des allgemeinen Netzverständnisses änderte sich auch das
System der Erfolgsmessung. Der Gewinn, der mit einem Flug erzielt wird, ist
für die neue Philosophie der Netzwerkoptimierung unerheblich. Ziel ist nun,
den Gesamtnetzertrag zu maximieren, d.h. auf der Gesamtheit der möglichen
Reiseströme die größte Passagiermenge mit der höchsten Ertragswertigkeit
in der optimalen Zeit zu befördern66. Entscheidend ist somit der Beitrag des
einzelnen Fluges zur gesamten Netzrentabilität und nicht mehr der isolierte
Ertrag dieses Fluges. Entsprechend diesem Grundgedanken können im Netz-
werk durchaus Flüge existieren, die isoliert betrachtet nicht Kosten deckend
ausgeführt werden, in ihrer Funktion als Zu- oder Abbringer jedoch Gewinn
bringen. Abbildung 2.17 illustriert diesen Sachverhalt.
Wie die Abbildung zeigt, resultiert die Gesamtzahl der Passagiere, die mit ei-
nem Flug befördert werden, aus der Summe der einzelnen Reiseströme auf
verschiedenen O&Ds, die mit Hilfe dieses Fluges gebildet werden können.
Die Aufgabe der Netzwerkplanung im Rahmen von Scheduling ist es somit,
durch intelligente Flugplangestaltung eine solche Kombination der Flüge mit
den entsprechenden Abflugs- und Ankunftszeiten zu finden, dass die Summe
der Passagiere auf den durch das gesamte Flugnetzwerk fließenden Ver-
kehrsströmen maximal ist.
66
Vgl. MAURER, P. (2002), S. 341
Zubringermärkte Abbringermärkte
NYC SIN
JNB TYO
SAO FRA - MUC MNL
STO Direkt FRA – MUC : 20 Pax LIS

+
NYC – FRA – MUC: 10 Pax
JNB – FRA – MUC: 5 Pax
PAR SAO – FRA – MUC: 3 Pax VIE
....
FRA – MUC – SIN: 15 Pax
AMS FRA – MUC – TYO: 5 Pax DXB
FRA – MUC – MNL: 2 Pax
...
Summe der Passagiere auf
dem Flug FRA – MUC: 100
Abbildung 2.17: Beispiel für die Bildung der Direkt- und Transferpassagierströme mit ei-
nem Flug
Um Netzwerkmanagement gestalten zu können, ist die genaue Kenntnis des

gelenkten Systems, d.h. der Netzwerke der Airline, unabdingbar. Im nächsten
Abschnitt werden die verschiedenen Arten von Airline-Netzwerken mit ihren
Vor- und Nachteilen dargestellt.
2.4.3 Airline-Netzwerke
Grundsätzlich findet Verkehr zwischen zwei Punkten statt: dem Start- und
dem Zielort. Es gibt allerdings verschiedene Möglichkeiten, vom Start- zum
Zielort zu kommen. So kann man z.B. direkt, ohne Umsteigen (Punkt zu
Punkt) oder mit einer Umsteigeverbindung über einen Flughafen, auch Hub
genannt, vom Start- an den Zielort gelangen.
Die Direktverbindung ist für einen Passagier die günstigste Verbindungsart,

denn so erreicht er in kürzester Zeit sein Reiseziel. Allerdings ist es für eine
Fluggesellschaft aus wirtschaftlichen Überlegungen möglicherweise nicht
immer von Vorteil, eine Direktverbindung anzubieten. Um jedoch für die Kun-
den ein breites Angebot an möglichen Verkehrsmärkten schaffen zu können,
auf denen durch die Ausschöpfung von Verbundvorteilen67 profitabler Betrieb
67
Vgl. GELLMANN, A.J. (1990), S. 54
möglich ist, haben die Fluggesellschaften die so genannten Hub-and-Spoke-

Netzwerksysteme entwickelt und implementiert.
Wie in Abschnitt 2.3.1 dargestellt, waren in Zeiten des regulierten Luftver-

kehrs dem Ausbau von Hub-and-Spoke-Netzwerken wegen des beschränk-
ten Zugangs zu neuen Flugdestinationen enge Grenzen gesetzt. Die mit den
Liberalisierungsbestrebungen einher gehende Beseitigung der Markteintritts-
barrieren verlieh den Fluggesellschaften die notwendige Flexibilität, um ihre
Flugnetze entsprechend der Hub-und-Spoke-Philosophie umzugestalten.
In einem Hub-and-Spoke-Netzwerk werden im Unterschied zu den dezentra-

len Netzsystemen, die voneinander unabhängige Direktflüge beinhalten, die
einzelnen Flugstrecken (Spokes) in einem zentralen Punkt (Hub) gebündelt.
Ziel der Flugbündelung ist es, in einen Hub hinein fließende Verkehrsströme
zeitgleich zusammenzuführen und sie dann auf die Anschlussflüge zu vertei-
len.
Dezentrales
Dezentrales Netzsystem
Netzsystem Hub-and-Spoke-Netzwerk
Hub-and-Spoke-Netzwerk
Abbildung 2.18: Dezentrale Netzwerkstruktur vs. Hub-and-Spoke-Netzwerk
Je nach Ausgestaltung der Netzstruktur unterscheidet man Hourglass-, Hin-

terland-, Fortress-, Sekundär-, Multi- und Mega-Hubs68.
Ein Hourglass-Hub dient der Bündelung von eingehenden Flügen aus einer
Richtung, die dann in die entgegen gesetzte(n) Richtung(en) weiter laufen.
Auf den Flügen werden meistens die selben Flugzeugtypen eingesetzt. Ein
typisches Beispiel ist Singapur, das Europa mit Australien und Südostasien
verbindet. Ein Hinterland-Hub (z.B. Frankfurt) bündelt Kurzstreckenflüge und
68
Vgl. MAURER, P. (2002), S. 347
verteilt deren Passagiere auf Langstreckenflüge, wodurch er als eine Art Ver-
teilungszentrum für sein umliegendes Einzugsgebiet (Catchment Area) fun-
giert. Hier findet meistens ein Fluggerätwechsel von Regionalflugzeugen zu
Langstreckenflugzeugen statt. Beim Multi-Hubbing werden mehrere Hub-
Flughäfen von einer Fluggesellschaft in einem synchronisierten Verbundsys-
tem betrieben. Ein Beispiel hierfür ist American Airlines, die Hubs in Chicago
und Dallas unterhält. Wird außer einem zentralen Hub-Flughafen ein zusätzli-
cher Regional-Hub aufgebaut, der zeitlich mit dem zentralen Hub synchroni-
siert ist und eine Auslastung des Letzteren ermöglicht, spricht man von einem
Sekundär-Hub. München stellt für die Lufthansa einen solchen Regionalflug-
hafen dar, der mit dem Flugbetrieb in Frankfurt abgestimmt ist. Ein Mega-
Hub dient mehr als einer Fluggesellschaft als Hub. Ein Fortress-Hub ent-
steht, wenn eine Fluggesellschaft eine Slot-Dominanz in einem Hub besitzt,
so dass für die Mitbewerber kaum noch Kapazität vorhanden ist.
Hourglass
Hourglass Hub
Hub Hinterland
Hinterland Hub
Hub Mega
Mega Hub
Hub
Abbildung 2.19: Einige Hub-Arten
Die Bündelung und Umverteilung der Verkehrsströme erlaubt es den Airlines,

höhere Sitzladefaktoren69 zu erzielen und durch den effektiveren Einsatz von
Flugzeugen und Personal als in den linearen Netzen kostengünstig zu operie-
ren 70 . Ein weiterer positiver Effekt, der mit der Einrichtung von Hub-and-
Spoke-Netzwerken verbunden ist, manifestiert sich in der exponentiell wach-
senden Anzahl von möglichen Transfer-O&Ds mit der Zunahme der Zahl der
angebotenen Flüge in den und aus dem Hub71. Abbildung 2.20 illustriert den
entsprechenden Sachverhalt.
69
Der Sitzladefaktor ist definiert als das Verhältnis der Anzahl der Passagiere auf einem Flug zu der gesam-
ten Sitzplatzkapazität des den Flug durchführenden Flugzeuges
70
Vgl. PHILLIPS, L. (1985), S. 19
71
Die maximale Anzahl der Transfer-O&Ds in Abhängigkeit von der Anzahl der angebundenen Flüge er-
rechnet sich aus der Formel: Anzahl bedienter Transfer-O&Ds = n*(n-1), wobei n die Anzahl der Hub-Flüge
Passagiere, die sich für eine Transferverbindung entscheiden, ziehen es

meist vor, auf den einzelnen Teilstrecken von einer einzigen Fluggesellschaft
befördert zu werden. Daher besitzt die Fluggesellschaft, die über ein umfas-
sendes Netzwerk häufig bedienter Flugstrecken verfügt, einen signifikanten
komparativen Wettbewerbsvorteil72. Die Attraktivität solcher Netzwerke kann
zusätzlich durch den Einsatz von Vielfliegerprogrammen gesteigert werden73.
Direktverkehr Kleiner Hub Großer Hub

Verkehrs-
situation
A B B 5 Outbound B
5 Inbound 10 Inbound 10 Outbound
Flüge
Flüge Flüge Flüge
Verbindungs-
möglichkeiten
Anzahl möglicher Anzahl möglicher Anzahl möglicher

Verbindungen = 2 Verbindungen = 20 Verbindungen = 90
Bemerkung: Die Berechnung der möglichen Verbindungen beruht auf der Formel : n·(n-1)
Abbildung 2.20: Mögliche Anzahl der Verbindungen in Flugnetzwerken
Hub-Verbundsysteme, die einer Airline die gleichzeitige Bedienung mehrerer

geografischer Märkte ermöglichen, reduzieren durch eine breite Angebotsdi-
versifizierung ferner die Abhängigkeit von einzelnen Märken, was sich positiv
auf das Risikoprofil der Airline auswirkt74.
Ein weiterer Vorteil für eine Hub-Betreiber-Airline resultiert aus dem so ge-
nannten Fortress-Effekt. Demnach kann eine Airline, die einen Hub dominiert,
die potenziellen Konkurrenten durch ihre bestehende Kosten- und Slot-Über-
legenheit von einem wettbewerbsfähigen Marktzutritt ausschließen 75 . Die
Auswertung der Flughafendaten ergibt dazu, dass die Anzahl der Transfer-
passagiere, die über einen Hub befördert werden, überproportional mit der
ist. Die tatsächliche Zahl der sinnvollen und somit der nachgefragten O&D-Verbindungen wird kleiner als
n*(n-1) sein, bedingt durch die Zeitenlagen und die Regionalität der einzelnen Flüge
72
Vgl. BERRY, S. (1990), S. 394; MORRISON S./ WINSTON C. (1986), S. 8; POMPL, W. (1998), S. 338
73
Vgl. RAKOWSKI, J. (1990), S. 510; POMPL, W. (1998), S. 338
74
Vgl. WHEELER, C. (1989), S. 1
75
Vgl. POMPL, W. (1998), S. 338
Größe des Hubs bzw. mit der Anzahl der dort angebotenen Flügen wächst.
Für eine Airline ist es also vorteilhaft, durch die Ausweitung der Anzahl der
eigenen Flüge in ihrem Hub eine gewisse "kritische Masse" an Flugbewe-
gungen zu erreichen, um damit die Wettbewerber zu verdrängen und selbst
vom überproportionalen Wachstum der Transferpassagiere zu profitieren.
Abbildung 2.21 zeigt das Volumen der Transferpassagierströme in den größ-
ten europäischen Flughäfen und bestätigt hiermit diese Hypothese.
Transfer Pax [Mio.]

30
25 FRA
20
LHR
15 AMS CDG
10 ZRH
x5 MXP LGW MUC
5 BRU
VIE
0
0 100 200 300 400 500 600
Anzahl von
x2 Flugbewegungen
Abbildung 2.21: "Wachstum generiert Wachstum": Volumen der Transferpassagierströme

an den größten europäischen Flughäfen (Quelle: Roland Berger Strategy Consultants
(2002): Internes Know-how-Papier)
Trotz der oben beschriebenen Vorteile, die Hub-and-Spoke-Flugnetzwerke

Airlines und Passagieren bringen, weisen diese auch eine Reihe von Nachtei-
len auf. Der wesentliche Nachteil solcher Netzwerktypen besteht in der Ver-
schärfung der Überlastungsprobleme an den Hub-Flughäfen. Dies resultiert
daraus, dass die Flugplanentwickler die über den Hub laufenden Verkehrs-
ströme zeitlich sehr eng zusammenführen, um die Qualität der angebotenen
Verbindungen und somit ihren Nutzen für den Kunden zu erhöhen. Solch eine
Planungstechnik führt zu so genannten Verkehrswellen76 und damit zur Kon-
76
zentration der meisten Flughafenaktivitäten 77 an wenigen, relativ knappen

Tageszeitfenstern. Dies erfordert eine hohe Vorhaltung der Flughafenkapazi-
tät und führt zu einer sehr unausgeglichenen Kapazitätsauslastung 78 . Die
zeitlich enge Koppelung der In- und Outbounds erhöht auch die Störanfällig-
keit des Flugplans, was sich dann in Flugverspätungen manifestiert79. Diese
können sich durch den gesamten Flugplan propagieren und somit zu erhebli-
chen Kosten für Fluggesellschaften, Passagiere und Flughäfen führen.
2.4.4 Prozess der Flugplanung

Der Prozess der Flugplanerstellung und -optimierung gliedert sich in sechs
Phasen, die iterativ durchlaufen werden und in Abbildung 2.22 im Überblick
dargestellt sind. Das in dieser Arbeit entwickelte Modell unterstützt dabei die
sechste Phase, die Feinabstimmung des Flugplans.
6 Feinabstimmung
5 Berechnung von wirt-

schaftlichen Auswirkungen
Iterativ
4 Durchführbarkeitsstudie
auf betrieblicher Basis
3 Präzise Flugplan-
erstellung Iterativ
2 Optionen zur Hub- und

Wellenstruktur
1 Optimierung des O&D-

Portfolios
Abbildung 2.22: Phasen des Prozesses zur Entwicklung und Optimierung der Flugpläne
Durch die Flugplanoptimierung wird ein solcher Flugplan generiert, der einer
Airline den gewinnmaximalen Betrieb ermöglicht. Um für möglichst viele Pas-
sagiere attraktiv zu sein, muss er auf der einen Seite Direktflüge zu den am
stärksten nachgefragten Destinationen enthalten und auf der anderen Seite
77
Start, Landung, Passagier- und Gepäckabfertigung, Flugzeug-Handling usw.
78
Vgl. POMPL (1998), S. 338
79
Siehe Kapitel 4
möglichst viele bequeme Transferverbindungen ("Connections") generieren.

Die Kostenseite eines Flugplanes muss selbstverständlich ebenfalls in die
Optimierung mit einbezogen werden. Hierfür ist es relevant, die Anzahl der
für die Ausführung des Flugbetriebes notwendigen Flugzeuge und Crews zu
minimieren.
Phase 1: Optimierung des O&D-Portfolios

Unter dem O&D-Portfolio versteht man die Gesamtheit aller Direkt- und
Transfermärkte, die von der jeweiligen Fluggesellschaft bedient werden. Die
Optimierung des O&D-Portfolios bezieht sich somit auf die Definition der
Städtepaare bzw. Märkte, die im zu erstellenden Flugplan zu erschließen sind.
Für die Auswahl können verschiedene Kriterien eine Rolle spielen. Die wich-
tigsten sind jedoch die Passagiernachfrage im Segment der Geschäfts- und
Privatreisenden sowie die Durchschnittserträge pro Passagier, die in diesen
beiden Segmenten auf den jeweiligen Märkten abhängig von der Art der Ver-
bindung (Direkt- oder Transferverbindung) erzielt werden können. Als nächs-
tes wichtiges Kriterium gilt das bereits bestehende eigene Angebot an Direkt-
und Transferverbindungen auf einem O&D sowie das Angebot der Wettbe-
werber. Bei der Eingrenzung der Zahl der in Frage kommenden O&Ds geht
man vom "Detour-Faktor" aus: Er gibt das Verhältnis der Gesamtdistanz einer
Transferverbindung zu der Distanz der entsprechenden Direktverbindung an
und entscheidet somit über die Attraktivität der Verbindung für die Passagiere.
Dadurch wird auch die geografische Lage des Hubs berücksichtigt. Üblicher-
weise definiert man einen Detour-Faktor von 1,25 bis 1,35, was bedeutet,
dass die Passagiere einen Umweg von 25-35% im Vergleich zu einem Direkt-
flug in Kauf nehmen müssen. Mit Hilfe der oben beschriebenen Auswahlkrite-
rien definiert man einen Prioritätsindex, anhand dessen man letztendlich die
zu bedienenden O&D-Märkte selektiert.
Phase 2: Erarbeitung der Optionen zur Hub- und Wellenstruktur

Entsprechend der Hub-Philosophie80 müssen in einem Hub die hinein und he-
raus fließenden Verkehrsströme mit möglichst kurzer Umsteigezeit miteinan-
der verknüpft werden. Zu diesem Zweck werden die Inbound- und Outbound-
Flüge in so genannten Wellen oder Verkehrsknoten gebündelt. Somit ergibt
sich ein wellenförmiges Grundmuster von Flugzeugbewegungen im Hub-
Flughafen81 (siehe Abbildung 2.23).
80
Siehe Abschnitt 2.4.2 und Abschnitt 2.4.3
81
Vgl. MAURER, P. (2002), S. 352
Wellenmuster
Wellenmuster von
von Lufthansa
Lufthansa in
in Frankfurt
Frankfurt Wellenmuster
Wellenmuster von
von Air
Air France
France in
in Paris
Paris (CDG)
(CDG)
Herausgehende Flüge Herausgehende Flüge

(Outbounds) (Outbounds)
Tages- Tages-
zeit zeit
Ankommende Flüge Ankommende Flüge

(Inbounds) (Inbounds)
Abbildung 2.23: Wellenbilder von Lufthansa in Frankfurt und Air France in Paris (Quelle:
OAG-Sommerflugplan 2004, eigene Berechnungen)
Das Ziel der zweiten Phase der Flugplanerstellung ist es, das Hub-Wellenbild
grob zu skizzieren. Als Inputdaten benötigt man hierfür Informationen über
die Start- und Zieldestinationen der Flüge sowie über die Flug- und Turn-
around-Zeiten (TAT)82. Abbildung 2.24 zeigt die einzelnen Unterschritte, die
bei der Definition der Wellenoptionen durchlaufen werden.
Frequenz-Flugzeit- Flugzeiten- Definition der Hub- Zeitliche Festlegung

Matrix Cluster Wellen nach Tageszeit der “Banks“
Frequenz Cluster
3
Flugzeit Tageszeit Morgen- Abend-
welle welle
4
Zeit
Welle A B C D
Abbildung 2.24: Schritte zur Erarbeitung der Wellenoptionen (Quelle: Roland Berger Stra-
tegy Consultants (2000): Internes Know-how-Papier)
Im ersten Schritt wird hier eine Frequenz-Flugzeit-Matrix erstellt. Diese Matrix
82
Die Turnaround-Zeit (TAT) gibt an, wie lange ein Flugzeug eines bestimmten Typs mindestens braucht,
um in einem Flughafen nach einem Landevorgang für den nächsten Startvorgang bereit zu sein
gibt an, wie viele Flüge mit einer bestimmten Flugzeit die jeweilige Airline –
ausgehend vom in Phase 1 festgelegten O&D-Portfolio – in einem definierten
Zeitraum 83 durchführen kann. Danach werden die Flüge basierend auf der
Frequenz-Flugzeit-Matrix zeitlich geclustert, indem die Flugzeiten zusam-
mengefasst und in Gruppen aufgeteilt werden. So bildet man z.B. drei Zeit-
cluster für Flüge mit kurzer, mittlerer und langer Flugzeit. Ziel eines solchen
Clusterns ist, aufzuzeigen, wie man Flüge mit unterschiedlicher Flugzeit zu
Transferverbindungen verknüpfen kann. Abbildung 2.25 verdeutlicht, wie z.B.
Flüge aus dem ersten Cluster (Kurzstreckenflüge) zusammen mit den Flügen
aus dem zweiten Cluster (Mittelstreckenflüge) zu Connections werden.
Outbound- Flug
Inbound- Flug
TAT im Hub
TAT in der Außenstation
Abbildung 2.25: Zeitliche Bündelung von Zeitclustern
Die einzelnen Cluster müssen nicht gleich groß sein. Wichtig ist allerdings,
dass sie nicht zu groß sein dürfen, da dies die Flugzeugauslastung reduzie-
ren kann.
Im nächsten Schritt dieser Flugplanungsphase werden Zeitgrenzen für die

Start- und Landezeiten im Hub sowie an den Außenstationen festgelegt. Die
Zeitgrenzen können von mehreren kulturellen, geografischen oder klimati-
schen Gegebenheiten abhängen. So fliegt man z.B. in Südeuropa gewöhnlich
nicht vor 7 Uhr morgens, in Nordeuropa ist im Winter ein Flug vor 6 Uhr in der
Früh wegen der Wetterbedingungen nicht möglich. Zu berücksichtigen wären
dabei auch die Flughafenrestriktionen wie z.B. Nachtflugverbot und die ver-
kehrsrechtlichen Bestimmungen.
Als Letztes erfolgt die zeitliche Festlegung der Wellen. Um möglichst viele
Connections zu erzeugen, müssen in einer Welle die Inbound-Flüge zeitlich
vor den Outbound-Flügen positioniert werden. Damit eine Connection opera-
83
z.B. einer Woche oder einem Monat
tiv durchgeführt werden kann, muss zwischen der Landung eines Inbound-
Fluges und dem Starten eines Outbound-Fluges wenigstens die so genannte
Minimum-Connecting-Time (MCT) vorgesehen sein. Diese Zeit, die üblicher-
weise von Faktoren wie Connection-Typ (nationale oder internationale Con-
nection) und Flughafen abhängt, definiert, wie lange man mindestens braucht,
um eine Connection in einem Hub zu generieren.
Die genaue Gestalt bzw. die Überlappungsstruktur der Wellen hängt unter
anderem von der Airline-Strategie ab. Versucht eine Airline die Anzahl der
Connections zu maximieren, so muss die Anzahl der Wellen möglichst gering
gehalten werden. Dazu dürfen sich die Wellen nicht überlappen. Ist die Stra-
tegie der Airline dagegen auf die Bedienung eines bestimmten geografischen
Destinationsportfolios gerichtet, so können sich die Wellen deutlich über-
schneiden. Ist eine Airline an kurzen und somit an für die Kunden attraktiven
Umsteigezeiten interessiert, werden die Wellen sehr eng und "zusammenge-
staucht" aussehen. Ein solches Planungsvorgehen erhöht allerdings die Stör-
anfälligkeit des Flugplans und führt zu Verspätungen. Zur Verbesserung der
Pünktlichkeit der Connections gestaltet man breite Wellen. Abbildung 2.26
schildert schematisch das Prinzip der Strukturbildung der Wellen.
Anzahl der Wellen:

Überlappungsstruktur
So wenige wie möglich, Dichte der Hub-Wellen
von Hub-Wellen
so viele wie nötig
Outbounds Outbounds
Inbounds Inbounds
Eine geringe Mehr Hub-Wellen Das Verbinden Genau Lange Kurze

Anzahl von müssen von einer aller Inbounds definiertes Umsteigezeiten Umsteigezeiten
Wellen Verkehrsstrategie mit allen geografisches sorgen für hohe gefährden die
ermöglicht eine getragen werden: Outbounds Portfolio von Pünktlichkeit Pünktlichkeit
hohe • Geografischer erzeugt höchste Destinationen
Konnektivität Fokus Konnektivität
• Mix von Lang- und
Kurzstrecken
• Wettbewerbs-
fähige Tageszeiten
Abbildung 2.26: Festlegung der Wellenstruktur (Quelle: Roland Berger Strategy Consul-
tants (2000): Internes Know-how-Papier)
Basierend auf der Entscheidung über die Wellenstruktur und unter Verwen-
dung der vorher hergeleiteten Zeitcluster der Flüge entwirft man dann das
Wellenbild eines Hubs. Als Optionen kommen folgende Grundmuster in Fra-

ge:
• Wenige große Wellen, z.B. zwei oder drei über den ganzen Tag verteilt
• Einige Hauptwellen und eine oder zwei kleine Wellen zwischen den Haupt-
wellen
• Multi-Wellen, d.h. viele kleine Wellen, die sehr eng beieinander liegen
Die Auswahl einer Option hängt auch von den vorhandenen Flughafenrestrik-
tionen ab: Ist beispielsweise die Anzahl der zur Verfügung stehenden Slots
begrenzt, so ist es wenig sinnvoll, nur wenige Wellen zu planen, in denen vie-
le In- und Outboundflüge zusammenlaufen sollen. Der Entwurf des Wellenbil-
des wird in solch einem Fall von der bestehenden Slot-Situation ausgehen
müssen.
Nach der Auswahl der präferierten Wellenoption geht man zur nächsten Pla-
nungsphase über.
Phase 3: Präzise Flugplanerstellung

Nach der Bestimmung des Wellenbildes beginnt man, die zeitliche Position
jedes einzelnen Fluges innerhalb der Wellen festzulegen. Dazu trägt man,
basierend auf der Kenntnis der Zeitcluster der Flüge, zuerst die Destinationen
in die Wellen ein. Zu beachten sind dabei folgende Kriterien:
• Die Abflugs- und Ankunftszeiten der Direktflüge müssen möglichst gut zu
der Tageszeitpräferenz der Kunden passen
• Die Anzahl der sinnvollen Transferverbindungen84 muss maximiert werden
• Die Transfer-Connections mit dem größten O&D-Passagiervolumen müs-
sen nach Möglichkeit am schnellsten bedient werden.
Üblicherweise fängt man bei der Destinationsverteilung mit den Destinationen

der Langstreckenflüge an. Dies erklärt sich zum einen durch deren primäre
wirtschaftliche Bedeutung und zum anderen durch die geringere Flexibilität
der Ankunfts- und Abflugszeiten auf Grund der langen Gesamtflugzeiten. In
diesem Schritt werden auch die bestehenden operationellen Restriktionen85
berücksichtigt. Bei einem Konflikt mit einer oder mehreren Restriktionen muss
oft auf die gewünschten Zeitenpositionen verzichtet werden.
84
Zur Definition einer sinnvollen Verbindung siehe Phase 5 der Flugplanplanung
85
Wie z.B. Slot- und Flughafenkapazität
Einsortierung
Einsortierung der
der Destinationen
Destinationen nach
nach Anpassung
Anpassung der
der Destinationen
Destinationen
O&D-Größe
O&D-Größe
Kapazitätsengpässe FRA Kapazitätsengpässe
STO MUC STO FRA MUC
IST MOW NYC IST MOW NYC
PAR LAX BER PAR LAX BER
FRA BRU BKK FRA BRU BKK
ROM ZHR JNB ROM ZHR JNB
LON LON
Kapazitätsengpässe Kapazitätsengpässe
Abbildung 2.27: Festlegung der Destinationen in den Wellen
Die Positionsbestimmung der einzelnen Flüge ist ein iterativer Prozess. Eine
Iteration beinhaltet meistens sowohl die Bestimmung der Zeitenlage eines
Fluges oder einer Gruppe von Flügen als auch die Durchführbarkeitsanalyse
und die Flugplanbewertung aus wirtschaftlicher Sicht – die nächsten beiden
Planungsphasen.
Phase 4: Durchführbarkeitsanalyse auf betrieblicher Basis

Im Rahmen der Durchführbarkeitsanalyse wird untersucht, ob die jeweilige
Flugplanlösung nicht die definierten operationellen Restriktionen verletzt.
Diese Restriktionen sind üblicherweise:
1. Flottenrestriktion:
Die Anzahl der für die Ausführung eines Flugplans notwendigen Flugzeuge in
jeder Teilflotte86 darf nicht die Anzahl der zur Verfügung stehenden Flugzeu-
ge überschreiten. Die Menge der notwendigen Flugzeuge wird durch den in
jeder Optimierungsiteration zu erstellenden Flugzeugrotationsplan bzw. Flug-
zeugeinsatzplan bestimmt. Ein Rotationsplan ordnet einer Flugzeugrotation
ein reales Flugzeug zu. Eine Flugzeugrotation ist die zeitliche und örtliche
Sequenz von Flügen, die von einem Flugzeug an einem Tag auszuführen
86
Unter der Teilflotte wird hier die Untermenge der Gesamtflugzeugflotte verstanden, die die Flugzeuge
eines Typs enthält
ist87. Werden alle Flüge des Flugplans in einem solchen Rotationsplan erfasst,
so resultiert die Anzahl der notwendigen Flugzeuge aus der Anzahl der gebil-
deten Rotationen88. Abbildung 2.28 verdeutlicht das Prinzip der Rotationsbil-
dung an einem Beispiel.
FRA
MUC
PAR
LIS
0:00 Tageszeit 23:55
Flug
Rotation für das Flugzeug Nr. 1
Abbildung 2.28: Rotationsbildung
2. Crew-Restriktion
Ähnlich wie bei der Flottenrestriktion wird hier überprüft, ob die Anzahl der
Flugzeug-Crews, d.h. das Kabinen- und Cockpit-Personal, die aus einem
Flugplan resultiert, nicht größer ist als die Anzahl der vorhandenen Crews.
3. Slot-Restriktion
Bei der Kontrolle der Slot-Einhaltung wird geprüft, ob alle Start- und Lande-
zeiten der Flüge innerhalb der der Airline zugewiesenen Slot-Fenster liegen.
4. Sonstige Restriktionen
Zusätzlich können noch weitere Restriktionen wie z.B. die Flughafenkapazität,
87
Beim Bilden der Rotation muss stets darauf geachtet werden, dass die Anzahl der eingesetzten Flugzeuge
minimal ist (vgl. SUHL (1994)). Bei der Auswahlentscheidung für ein Flugzeug zum Ausführen eines Fluges
werden deshalb meistens drei Grundregeln angewandt: first-in-first-out (FIFO) – das Flugzeug, das als ers-
tes an einem Flughafen angekommen ist, verlässt als erstes diesen Flughafen wieder; last-in-first-out (LIFO):
das Flugzeug, das als letztes ankommt, verlässt als erstes den Flughafen; best-first (BF): es wird aus allen
vorhandenen Flügen der Flug ausgewählt, der mit dem Flugzeug durchgeführt werden kann, bei dem die
Standzeit am kürzesten ist
88
Vgl. GOLDEN/ASSAD/LEVY (1984), S 49-66; PHILLIPS R. /BOYD D. (1989); SUHL, L. (1994), S. 97
Nachtflugverbot oder Verfügbarkeit des Bodenpersonals auf ihre Einhaltung

geprüft werden.
Genügt der Flugplan den operationellen Restriktionen, ist er also durchführ-

bar, geht man zur nächsten Flugplanungsphase über. Ist es nicht der Fall,
wird die aktuelle Flugplanlösung verworfen. Eine neue valide Flugplanvarian-
te muss somit generiert werden.
Phase 5: Berechnung von wirtschaftlichen Auswirkungen

Ist eine gültige Flugplanlösung erstellt, evaluiert man die Güte dieser Lösung.
Unterschiedliche Kriterien können dabei als ein Gütemaß des Flugplans ver-
wendet werden. Prinzipiell ist es aber möglich, diese Kriterien als monetär
und als nichtmonetär zu klassifizieren.
1. Nicht monetäre Flugplanbewertung

Die Berechnung der monetären Konsequenzen einer Flugplanlösung ist meist
kompliziert und nimmt in der Regel relativ viel Zeit in Anspruch. So erschwert
und verlangsamt sie oft den iterativen Flugplanoptimierungsprozess. Um ei-
nen Flugplan schnell und zuverlässig bewerten zu können, überlegt man sich
daher nicht monetäre Größen, die mit den monetären Kennzahlen stark kor-
reliert sind und relativ einfach und schnell berechnet werden können. Die
wichtigste nicht monetäre Flugplanbewertungsgröße ist die Verbindungsquali-
tät bzw. die Konnektivität. Die Verbindungsqualität wird ausgehend von der
Menge und der Qualität der Transferverbindungen berechnet, die mit einem
Flugplan generiert werden können.
Kunden ziehen eine Direktverbindung einer Transferverbindung meistens vor.

Es ist jedoch möglich, Transferverbindungen zu bilden, die auf Grund ihrer
Eigenschaften durchaus mit Direktverbindungen konkurrieren können. Eine
derartige konkurrenzfähige Transferverbindung wird "Hit" genannt. Damit ein
Hit zustande kommt, müssen die Hit-Fenster- und Detour-Faktor-
Bedingungen erfüllt sein. Abbildung 2.29 verdeutlicht grafisch den Sinn dieser
Bedingungen. Die Hit-Fenster-Bedingung ermöglicht das Zustandekommen
einer Transferverbindung, nur wenn die Zeit zwischen der Landung des ers-
ten und dem Abflug des zweiten Fluges mindestens der Minimum Connecting
Time (MCT) entspricht und eine vorgegebene maximale Umsteigezeit89 nicht
überschreitet. Hiermit wird einerseits die operationelle Ausführbarkeit einer
89
Die maximale Umsteigezeit kann für Lang- und Kurzstreckenverbindungen unterschiedlich definiert wer-
den
Transferverbindung und andererseits die Attraktivität der Verbindung für die

Passagiere gewährleistet. Liefert die Hit-Fenster-Bedingung eine valide
Transferverbindung, muss noch geprüft werden, ob der Umweg, den ein Pas-
sagier auf dieser Verbindung macht, zumutbar ist. Als Hit werden also nur
Transferverbindungen gezählt, die zusätzlich zu der Hit-Fenster-Bedingung
einen Detour-Faktor ausweisen, der im Rahmen eines definierten Intervalls
liegt. In der Regel wird dieses Intervall von den Werten 1,25 und 1,35 be-
grenzt90. Die Detour-Faktor-Bedingung sichert ebenfalls die Attraktivität und
die Wettbewerbsfähigkeit der Verbindungen. Je niedriger der Detour-Faktor
desto höher ist also die Qualität einer Transferverbindung.
Hit-Fenster Detour Factor
• Das Anschlusszeitfenster ist nicht kleiner als ein • Der Umwegfaktor liegt unter einem vorgegebenen
Minimalwert (MCT) und ist nicht größer als ein Grenzwert
vorgegebenes Maximum
Outbound-Flüge
Origin
a
Hit Hub
Inbound- Kein Hit Kein Hit
Flug
c b
t
Detour Faktor =
Minimum Hit Fenster = 120 Min.
(a+b)/c
Connecting
Time = 60
Min. Destination
Maximum Connecting Time = 180 min.
Nicht sinnvolle, unattraktive Verbindungen werden Nicht sinnvolle Routen werden ausgeschlossen
ausgeschlossen
Abbildung 2.29: Bedingungen für das Zustandekommen eines Hits (Quelle: Roland Berger
Strategy Consultants (2001): Internes Know-how-Papier)
Außer den beiden Hit-Bedingungen definiert man oft noch zusätzlich eine so
genannte Minimal-Bedingung. Diese prüft, ob auf dem gleichen O&D nicht
schon eine andere Verbindung91 der Konkurrenz oder der jeweiligen Airline
existiert, die zeitlich früher endet und dabei später startet. Ist dies der Fall,
wird eine Transferverbindung nicht als Hit gezählt.
Ein Hit ist also eine hoch qualitative Transferverbindung. Je mehr Hits er-
zeugt werden, desto mehr Umsatz kann eine Airline mit ihren Transferpassa-
90
Vgl. KNORREN NICHOLS, W. / KUNZ, M. (1999)
91
Dabei kann es sich um eine Transfer- oder eine Direktverbindung handeln
gieren generieren. Die Maximierung der Hitzahl entspricht deshalb dem Ziel
der Umsatzmaximierung.
Die Güte eines Flugplans kann nun mit folgenden Kennzahlen beurteilt wer-
den:
a. Summe der Hits
Diese Kennzahl informiert über die Gesamtzahl aller wettbewerbsfähigen
Connections, die mit einem Flugplan aufgebaut werden können, und gibt so-
mit Aufschluss über das Umsatzpotenzial durch die Transferpassagiere.
b. Summe der gewichteten Hits

Da die Hits die Märkte mit unterschiedlichem Passagiervolumen erschließen,
ziehen sie je nach O&D-Markt unterschiedlich große Nachfrageströme auf
sich und führen somit zu einer potenziell ungleichen Anzahl von Passagieren,
die sich für diese Verbindungen entscheiden werden. Um die Größe der
O&Ds und somit das Passagierpotenzial der mit den Hits gebildeten O&Ds in
die Flugplanbewertung aufzunehmen, gewichtet man die Hits mit ihrem O&D-
Passagiervolumen. Die Summe der so gewichteten Hits ist eine gute Ab-
schätzung des Umsatzes, den man mit Transferpassagieren generieren kann.
Alternativ oder auch zusätzlich zu der Passagiergewichtung ist eine Gewich-
tung der Hits mit der Länge der Umsteigezeit möglich92.
c. Summe der bidirektionalen Hits

Da die Flugpassagiere meistens an Hin- und Rückflugverbindungen interes-
siert sind, ist es sinnvoll, nur die Hits zu zählen, für die in die umgekehrte
Flugrichtung ebenfalls Hits gebildet werden können. Solche Hits nennt man
bidirektional.
d. Summe der gewichteten bidirektionalen Hits

Alternativ zu den "einfachen" Hits gewichtet man die bidirektionalen Hits mit
der entsprechenden Passagiernachfrage und/oder Umsteigezeit.
e. Durchschnittliche Anzahl der Hits pro Inbound-Flug

Diese Kennzahl zeigt, wie viele hoch qualitative Connections einem mit ei-
nem Inbound-Flug ankommenden Passagier im Durchschnitt zur Verfügung
stehen.
92
Vgl. LEIBOLD, K. (2001), S. 34
f. Verhältnis der tatsächlichen Anzahl der Hits zur maximal möglichen An-
zahl
Da die durchschnittliche Anzahl der Hits pro Inbound-Flug abhängig von der
Airline-Größe ist, wird eine Normierung durchgeführt, indem man die Anzahl
der Hits durch die theoretisch maximal mögliche Hitzahl dividiert. Diese theo-
retisch mögliche Maximalzahl kann entweder als das Quadrat der Anzahl der
Inbound-Flüge oder alternativ als das Produkt der Anzahl von Inbound- und
Outbound-Flügen berechnet werden. Wegen diverser Slot-Restriktionen so-
wie der Regionalität der Flüge wird es jedoch nicht möglich sein, die Mehr-
zahl der theoretisch maximal möglichen Hits zu realisieren. Um dieser Tatsa-
che Rechung zu tragen und eine realistischere Normierung zu ermöglichen,
wird anstatt des Maximums oft ein Erwartungswert der Hits kalkuliert, zu dem
dann die tatsächlichen Hits in Beziehung gesetzt werden.
2. Monetäre Flugplanbewertung
Im Rahmen der monetären Flugplanbewertung werden die mit einer Flug-
planlösung assoziierten Passagiererträge und -kosten berechnet und zu einer
Gewinngröße aggregiert.
Zur Bestimmung der Passagiererträge werden mit Hilfe des Marktmodells93

zuerst die Marktanteile aller Flugverbindungen einer Airline kalkuliert, die den
auf Basis des Kundennutzens berechneten Auswahlwahrscheinlichkeiten
entsprechen. Die Marktanteile müssen dabei für die Segmente Geschäfts-
und Privatreisende getrennt geschätzt werden, da diese für ein und dasselbe
O&D sehr stark hinsichtlich Passagiernachfrage und Durchschnittserträgen
divergieren können. Basierend auf den geschätzten Marktanteilen, den O&D-
Marktvolumen und Durchschnittserträgen wird dann der mit der Passagierbe-
förderung generierte Umsatz berechnet.
Das Kostenmodell zur Flugplanbewertung basiert meistens auf der Evaluie-

rung der Größe von passagier- und flugzeugabhängigen Kosten für jede
Flugstrecke.
Phase 6: Feinabstimmung
In der letzten Phase der Flugplanung, die meistens manuell durchgeführt wird,
versucht man durch geringfügige Anpassungen der Zeitenlagen der Flüge die
Einhaltung einiger operationeller Restriktionen zu verbessern oder auf kurz-
fristige Änderungen im Markt- oder Wettbewerbsumfeld zu reagieren. Auch
93
Siehe Kapitel 6
soll eine Verbesserung der Kostensituation der Airline herbeigeführt werden,

indem beispielsweise durch eine zeitliche Neupositionierung eines Fluges ein
Flugzeug oder eine Crew weniger benötigt werden.
Das Modell, das in dieser Arbeit entwickelt wird, soll die Phase der Feinab-
stimmung unterstützen. Nachdem ein Flugplan bereits weitgehend optimiert
wurde, gibt es dem Benutzer die Möglichkeit, diesen Flugplan im Bezug auf
seine operationelle Robustheit bzw. Störanfälligkeit und die damit verbunde-
nen Verspätungskosten zu optimieren. Im Modell werden die mit dem Flugbe-
trieb verbundenen Verspätungskosten mit Hilfe der Fuzzy-Mengen-Theorie
erfasst und optimiert, indem die zeitlichen Positionen der einzelnen Flüge im
Rahmen der vom Benutzer vorgegebenen Zeitintervalle verschoben werden.
48
Kapitel 3: Quantitative Modelle zur Flugplanoptimierung

3.1 Einführung
Dieses Kapitel beschäftigt sich mit der Darstellung von quantitativen determi-
nistischen Modellen zur Optimierung von Flugplänen. Es werden verschiede-
ne Arten von Modellen zur Optimierung der Zeitenlagen der Flüge aus der
Literatur präsentiert sowie deren potenziellen Lösungsmethoden aufgezeigt.
Die Relevanz und die Effektivität der Lösungsverfahren bei der Bestimmung
von optimalen Ergebnissen der Flugplanoptimierungsprobleme wird diskutiert;
anschließend wird die Wahl eines Optimierungsverfahrens für das in dieser
Arbeit entwickelte Flugplanoptimierungsmodell getroffen und begründet.
3.2 Quantitative Flugplanoptimierung

3.2.1 Überblick über die wichtigsten Kategorien der quantitativen
Optimierungsmodelle in der Luftfahrtindustrie
Wie aus den Darstellungen des vorangegangenen Kapitels hervorgeht,
gehört der Airline-Netzwerkmanagementprozess zu den wichtigsten Erfolgs-
faktoren, die im modernen Umfeld der Luftverkehrsmärkte über die Rentabili-
tät und die Wettbewerbsfähigkeit einer Fluggesellschaft entscheiden. Zur
Unterstützung der einzelnen Detailschritte dieses hoch komplexen Prozesses
ist in den letzten Jahren eine Reihe von quantitativen Optimierungsmodellen
entwickelt worden, die auf Methoden und Lösungsverfahren von Operations
Research basieren. So existieren z.B. Modelle zur Abschätzung und Progno-
se der Gesamtnachfrage auf Luftverkehrsmärkten 1 , die den Input für die
Netzwerkdesign-Modelle liefern. Die Netzwerkdesign-Modelle leiten ausge-
hend von der Nachfrage der einzelnen Märkte, der Unternehmensstrategie
und den Beförderungskosten die optimale Struktur der Airline-Netzwerke her
und selektieren Flugsegmente, die angeboten werden müssen, um die
gewünschten Passagierströme zu minimalen Kosten zu bedienen 2 . Zur
Unterstützung der Airlines im komplexen Prozess der Flugplanentwicklung
und -optimierung3 wurden Modelle zur Berechnung der optimalen Anzahl der
1
Siehe z.B. ABRAHAMSSON, T., (1998), BIERLAIRE, M. (1995), TRANSPORTATION RESEARCH E-
CIRCULAR (2002)
2
Zu Netzwerkdesign-Modellen siehe z.B. REYNOLDS-FEIGHAN, A..J. (1992); GHOBRIAN, A. / KANAFANI,
A. (1985); HANSEN, M. (1988); LEDERER, P.J. et al. (1998); O'KELLY, M.E. (1986); AYKIN, T. (1988);
O'KELLY, M.E. (1987); JAILET, P. / SONG, G. / YU, G. (1997); JAILET, P. / SONG, G. / YU, G. (1994);
SONG, G. (1995); SOUMIS, F. / NAGURNEY, A. (1993)
3
Zum Prozess der Flugplanentwicklung und -optimierung siehe Abschnitt 2.4.4
Kapitel 3 Quantitative Modelle zur Flugplanoptimierung 49
Flugfrequenzen zu angebotenen Destinationen 4 sowie die so genannten

Scheduling-Modelle entwickelt,5 die die optimalen Abflugs- und Ankunftszei-
ten der Flüge festlegen. Die kostengünstigste Zuordnung der einzelnen im
Flugplan befindlichen Flugsegmente zu den vorhandenen Flugzeugtypen
erfolgt mit Hilfe von Fleet-Assignment-Modellen. Mit den so genannten
Rotationsmodellen werden die Umläufe bzw. die Rotationen einzelner Flug-
zeuge bestimmt6. Die Crew-Einsatzpläne werden mit Hilfe von Crew-Assign-
ment-Modellen festgelegt7.
3.2.2 Reihenfolge der Initialisierung der quantitativen Modelle zur

Festlegung der optimalen Zeitenlagen der Flüge
Im Rahmen der Unterstützung der Flugplanentwicklung mit Hilfe von quantita-
tiven Modellen sind grundsätzlich zwei unterschiedliche Anordnungen der
Initialisierung und der Ausführung dieser Modelle denkbar 8 . Abbildung 3.1
zeigt mögliche Reihenfolgen der Modellinitialisierungen. Bei der ersten An-
ordnungsvariante ist die eigentliche Optimierung der Abflugs- und Ankunfts-
zeiten der Flüge mit den Scheduling-Modellen der Bestimmung der optimalen
Flugzeugzuordnungen und Rotationen vorgelagert. Somit erfolgt hier die im
Abschnitt 2.4.4 beschriebene Durchführbarkeitsanalyse unmittelbar nach dem
Flugplanentwurf. Die Flugplanbewertung findet bei dieser Anordnungsvarian-
te in expliziter Form durch die Berücksichtigung der entsprechenden monetä-
ren oder nicht monetären Größen in den Zielfunktionen der Scheduling- und
Fleet-Assignment-Modelle statt.
Bei der zweiten Anordnungsvariante der Optimierungsmodelle werden nach

der Bestimmung der kostengünstigsten Flugzeugzuordnung die Zeitenlagen
der Flüge im gleichen Schritt mit der Berechnung der Flugzeugrotationen
festgelegt. Die Überprüfung der operationellen Flugplanvalidität wird hier also
gleichzeitig mit der eigentlichen Flugplanentwicklung durchgeführt. Die Flug-
planbewertung ist hier ebenfalls explizit in die Modellformulierung integriert.
4
Hierzu siehe z.B. ELCE, I. (1970); ETSCHMAIER, M. M. (1970); ETSCHMAIER, M. M. (1970); DANTZIG,
G.B. (1963); KUSHIGE, T. (1963); MILLER, R. (1967); RICHARDSON, R. (1976); SOUDAROVICH, J. (1971)
5
siehe Abschnitt 3.2.3.2
6
Zu Rotationsmodellen siehe z.B. SUHL, L. (1994); CLARKE, L. / JOHNSON, E. / NEMHAUSER, G. (1995);
KABBANI, N. M. / PATTY, B.W. (1992); BARNHART, C. / BOLAND, N. / CLARKE, L.W. (1998)
7
Zu Crew Assignment Modellen siehe z.B. YU, G. (1996); KOHL, N. / KARISCH, S. (2002); VANCE, P. /
BARNHART, C. / JOHNSON, E. (1995); EKENBÄCK, A. (1995); GERSHKOFF, I. (1989); ANBIL, R.
/GELMAN, E. / PATTY B. (1991); ANBIL, R. / TANGA, R./ JOHNSON (1992); BARNHART, C. / JOHNSON,
E. / ANBIL, R. et al. (1994)
8
Vgl. SUHL, L. (1994), S. 25, 106
50 Kapitel 3 Quantitative Modelle zur Flugplanoptimierung
Schätzung
Schätzung der
der O&D-Nachfrage
O&D-Nachfrage
O&D-Modelle
O&D-Modelle
Entwicklung
Entwicklung der
der optimalen
optimalen
Netzwerkstruktur
Netzwerkstruktur
Netzwerkdesign-Modelle
Netzwerkdesign-Modelle
Bestimmung
Bestimmung der
der optimalen
optimalen
Frequenzzahl
Frequenzzahl
Anordnungsvariante 1 Frequenz-Modelle
Frequenz-Modelle Anordnungsvariante 2
Optimierung
Optimierung der
der Zeitenlagen
Zeitenlagen der
der Bestimmung
Bestimmung der
der optimalen
optimalen
Flüge
Flüge Flugzeugzuordnung
Flugzeugzuordnung
Scheduling-Modelle
Scheduling-Modelle Fleet-Assignment-Modelle
Fleet-Assignment-Modelle
Bestimmung
Bestimmung der
der optimalen
optimalen Bestimmung
Bestimmung der
der optim.
optim. Zeitenlagen
Zeitenlagen
Flugzeugzuordnung
Flugzeugzuordnung undund Rotationen
Rotationen der
der Flüge
Flüge und
und Rotationen
Rotationen
Fleet-Assignment
Fleet-Assignment und
und Aircraft-
Aircraft- Flugzeugrotationsmodelle
Flugzeugrotationsmodelle mitmit
Rotation-Modelle
Rotation-Modelle Zeitenlagenverschiebungen
Zeitenlagenverschiebungen
Herleitung
Herleitung der
der optimalen
optimalen Crew-
Crew-
Einsatzpläne
Einsatzpläne
Crew-Assignment-Modelle
Crew-Assignment-Modelle
Abbildung 3.1: Initialisierungsreihenfolge der quantitativen Optimierungsmodelle
Es gibt keine grundsätzliche Empfehlung für eine der Anordnungsvarianten:

Vielmehr hängt die Auswahl von der Optimierungsphilosophie der jeweiligen
Fluggesellschaft ab. Im Folgenden wird die Struktur und die formale Darstel-
lung der für die Optimierung der Abflugs- und Ankunftszeiten der Flüge rele-
vanten Scheduling-Modelle sowie der Flugzeugrotationsmodelle mit Zeiten-
lagenverschiebungen präsentiert.
3.2.3 Modelle zur Flugplanoptimierung

3.2.3.1 Darstellung der Flugnetzwerke im Rahmen der Graphentheorie
Die formale Beschreibung der relevanten Flugplanoptimierungsprobleme
verlangt die Darstellung der Airline-Flugnetzwerke mit graphentheoretischen
Konzepten. Dafür werden die Flugnetzwerke durch die bewerteten gerichte-
ten Graphen bzw. Diagraphen G(V,A,C) repräsentiert. Die Elemente v∈V
werden Knoten genannt, die Elemente a∈A Kanten. Je nach Modellformulie-
rung können beispielsweise Flughäfen durch Knoten und Flüge durch Kanten
abgebildet werden. Alternativ dazu ist auch eine Darstellung der Flüge durch
Knoten und der validen Verbindungen zwischen den Flügen durch Kanten
denkbar. Die Kantenbewertung wird durch die Bewertungsfunktion C vorge-

geben. Als mögliche Bewertungen kommen für die Airline-Netzwerke z.B.
Flugdistanzen und -zeiten, Flugkosten oder die Passagiernachfrage in Frage.
Zur formalen Problemdarstellung werden die so definierten Graphen in
Matrizenform überführt und dann in Bezug auf die Entscheidungsvariablen
wie z.B. Kantenflüsse, Kantenzuordnung und -reihenfolge mit zumeist
linearen Optimierungsverfahren gelöst.
3.2.3.2 Scheduling-Modelle
Die Scheduling-Modelle suchen unter Berücksichtigung der operationellen
Restriktionen sowie der markt- oder nachfragerelevanten Vorgaben nach der
gewinnmaximalen Allokation der Zeitenlagen der auszuführenden Flüge. Als
Inputgrößen fungieren dabei die Informationen über die Passagiernachfrage
für jeden relevanten O&D-Markt sowie über Distanz und Flugzeit der einzel-
nen Flugsegmente. Je nach angewandtem Modell können ebenfalls die
Angaben über die Durchschnittserträge auf den entsprechenden O&D-
Märkten, das Angebot der Wettbewerber, Zeitpräferenzen der Passagiere
sowie die operativen Kosten zur Ausführung eines Fluges mit einem be-
stimmten Flugzeugtypen zur Bestimmung der optimalen Abflugszeiten als
Inputgrößen erforderlich sein9. Die im Abschnitt 2.4.4 erwähnten Restriktio-
nen, die bei der Flugplanoptimierung mit Scheduling-Modellen eingehalten
werden müssen, können dabei folgende Modellkomponenten betreffen10:
1. Flughafen
• Die Start- und Landevorgänge dürfen an den jeweiligen Flughäfen nur
außerhalb der zur Vermeidung von Lärmemission festgesetzten Zeit-
fenster, den so genannten Cerfews, erfolgen.
• Die Flughafenkapazität darf nicht überschritten werden. Das bedeutet,
dass die Anzahl der eingeplanten Start- und Landevorgänge zu einem
bestimmten Zeitpunkt die für diesen Zeitpunkt vorhandene Maximalzahl
der verfügbaren Start- und Landeslots nicht übersteigen darf.
2. Flugzeug
• Der Flugplan muss mit der vorhandenen Flugzeugflotte ausgeführt wer-
den können.
3. Transferverbindung
• Für das Zustandekommen einer gültigen Transferverbindung müssen
9
Vgl. SUHL, L. (1994), S. 24
10
Vgl. ZILS, M. (2001), S. 77ff.
die Zeitenlagen der diese Verbindung bildenden Flüge so festgelegt

werden, dass die Minimum Connecting Time eingehalten wird.
• Zur Bedienung einer Transferverbindung müssen die entsprechenden
Verkehrsrechte bzw. Freiheitsgrade11 vorliegen.
4. Flug
• Die Abflugs- oder Ankunftszeiten der Flüge müssen im Rahmen der
vordefinierten Zeitintervalle liegen. Diese Restriktion wird beim Wunsch
der Fluggesellschaft aktiviert, die Ausführung einiger Flüge aus z.B.
Markt- oder Wettbewerbsgründen sowie wegen gewisser technischer
Gegebenheiten auf bestimmte Zeitfenster zu beschränken.
• Der Flug darf nur Abflugs- oder Ankunftszeiten vorweisen, die in die
vorhandenen Slots der Airline passen.
Es lassen sich drei Arten von quantitativen Scheduling-Modellen zur Optimie-

rung der Zeitenlagen der Flüge aus den in der Literatur dargestellten Model-
len zusammenfassen. Diese Modelle wurden zum Teil explizit für die
Flugplanoptimierung entwickelt, zum Teil sind sie allgemeingültig für unter-
schiedliche Transportmodi formuliert und lassen sich somit auf die Aufgaben-
stellungen des Luftverkehrs übertragen. Die einzelnen Scheduling-Modell-
Typen werden in folgenden Abschnitten präsentiert.
3.2.3.2.1 Flugplanoptimierung mit Slot-Assignment-Modellen

In dieser Gruppe von Scheduling-Modellen werden die Ankunfts- und Ab-
flugszeiten durch die Zuordnung von Flügen zu den verfügbaren In- und Out-
bound-Slots optimiert. So verfährt z.B. auch das Modell von Leibold (2001), in
dem in iterativen Schleifen die Slot-Zuordnung mit dem Ziel der Maximierung
der gewichteten oder ungewichteten Anzahl der resultierenden Transferver-
bindungen auf vorgegebenen Passagierströmen bestimmt wird12. Das Modell
basiert auf einem Diagraphen G(V,A) mit der Menge der Knoten V, die in
Start-, Transfer- und Endknoten unterteilt ist. Diese Knotentypen werden
durch die Größen ai,hh,nj ∈ V beschrieben. Die Flüge werden durch die
Graphkanten A repräsentiert. Zur Disposition stehen jeweils die verfügbaren
In- und Outbound-Slots IBs, s = 1,...,q , OBd, d = 1,...,r. Für die Bildung einer
Transferverbindung zwischen zwei Destinationen i und j über den Hub-
Flughafen h wird die durch die Variable ctihj vorgegebene Mindestumsteige-
zeit benötigt. Ferner definiert man hier folgende Indikationsvariablen:
11
Siehe Anhang
12
Vgl. LEIBOLD, K. (2001), S. 50ff
Zuordnung der Strecken zu den Reiseströmen:

°1 falls das O&D von i über h nach j verläuft
vihj = ®
°̄0 sonst
Zuordnung der Inbound-Flüge zu einem Slot:

°1 falls der Inbound-Flug von i nach h Slot s zugeordnet wird
IBihs = ®
°̄0 sonst
Zuordnung der Outbound-Flüge zu einem Slot:

°1 falls der Outbound-Flug von h nach j Slot d zugeordnet wird
OBhjd= ®
°̄0 sonst
Deklarierung einer Transferverbindung zu einem Hit:

°1 falls das O&D von i nach j als Hit gezählt wird
Cij = ®
°̄0 sonst
Folgende Modellparameter werden außerdem gebraucht:
SLIBhs Zeitenlage des Inbound-Slots s im Hub h

SLOBhs Zeitenlage des Outbound-Slots d im Hub h
MCTh Minimum Connecting Time im Hub h
HWh Breite des Zeitfensters (in Minuten), das die maximal zulässige
Wartezeit der Passagiere im Hub h angibt
M Hinreichend große Zahl13
VLij Prioritätskennziffer für das O&D (i,j) (z.B. die Gesamtnachfrage
auf dem jeweiligen O&D)
Das Optimierungsmodell wird somit wie folgt beschrieben:

Zielfunktion: max ZF, mit
I H J
ZF = max ¦¦¦ vihj
i h j
13
Wird später für die Hit-Fenster-Nebenbedingung benötigt. Hängt vom Betrag den Uhrzeiten der In- und
Outbound-Slots, MCT sowie der Breite des Hit-Zeitfensters ab
Nebenbedingungen:
1. Alle Transferverbindungen werden über nur einen Flughafen bedient:
¦v ihj = cij , ∀i, j

h
2. Für das Zustandekommen einer Transitverbindung muss jeweils mindes-

tens ein In- und Outbound-Slot zur Verfügung stehen:
¦ IB ihs ≥ vihj , ∀i, h, j

s
¦ OB hjd ≥ v ihj , ∀i, h, j

d
3. Jedem Flug darf maximal ein Slot zugeordnet werden:
¦ IB ihs ≤ 1, ∀i, h
s
¦ OB hjd ≤ 1, ∀ h , j
d
4. Jedem Slot darf maximal ein Flug zugeordnet werden:
¦ IB ihs ≤ 1, ∀i, s
i
¦ OB hjd ≤ 1, ∀h, d
j
5. Die Minimum Connecting Time muss stets eingehalten werden:
¦ SLOB hd ⋅ OBhjd − ¦ SLIBhs ⋅ IBihs + M ⋅ (1 − vihj ) ≥ MCTh ⋅ vihj , ∀i, h, j

d s
6. Die Umsteigezeit einer validen Transferverbindung darf die maximal zuläs-

sige Umsteigezeit nicht überschreiten:
¦ SLOB hd ⋅ OBhjd − ¦ SLIBhs ⋅ IBihs ≤ HWh + M ⋅ (1 − v ihj ), ∀i, h, j

d s
7. Berechnung der benötigten Umsteigezeit über die Nebenbedingungen:

¦ SLOB hd ⋅ OBhjd − ¦ SLIBhs ⋅ IBihs − M ⋅ (1 − vihj ) ≥ ct ihj , ∀i, h, j

d s
Dieses Modell ermittelt somit eine Zuordnung der Flüge zu den entsprechen-
den Zeit-Slots, die zu einer maximalen Anzahl der validen und wettbewerbs-
fähigen Transferverbindungen führt14. Trotz der Einfachheit der Formulierung
und der Relevanz der Zielfunktion weist das Modell mehrere schwer wiegen-
de Mängel auf. Als Erstes fällt auf, dass bei der Festlegung der Zeitenlagen
die Direktflüge nicht betrachtet werden und nur der Transferverkehr optimiert
wird. Da die Auswirkungen der Abflugs- und Ankunftszeiten auf die lokale
Nachfrage nicht berücksichtigt werden, kann das Modell nur das Optimum
bezüglich der Anzahl von Transitverbindungen herbeiführen. Doch diese sind
meistens mit niedrigeren Tarifen verbunden und können zu einer drastischen
Reduzierung der hochwertigen Direktpassagiernachfrage führen, wenn die
Anforderungen der Direktpassagiere an die Zeitenlagen der Flüge nicht be-
achtet werden. Als weiterer Schwachpunkt des Modells erweist sich die nicht
monetäre Flugplanbewertung in der Zielfunktion. Das Modell ermöglicht zwar
durch die Gewichtung der Anzahl der Transferverbindungen mit einer
Präferenzkennzahl der entsprechenden O&D-Märkte eine Indikation der Güte
des resultierenden Flugnetzwerks, doch die Kalkulation der genauen Anzahl
der Transferpassagiere, die sich bei der jeweiligen Netzwerkausgestaltung für
die Flüge der die Optimierung durchführenden Airline entscheiden und somit
monetäre Umsätze generieren, wird hier nicht verfolgt. Des Weiteren kann
eine Planung, die auf die Maximierung der Anzahl von Transferverbindungen
ausgerichtet ist, in einer starken Bündelung der In- und Outbound-Flüge und
in nur einer einzigen Verkehrswelle pro Tag resultieren. Solch ein Hub-
Aufbau widerspräche jedoch den in der Praxis vorzufindenden Strukturen.
Dieser Mangel kann allerdings relativ einfach durch weitere Restriktionen
beseitigt werden, die für die Einhaltung der Zeitenlagen der Flüge im Rahmen
der vordefinierten Zeitintervalle sorgen.
Außer dem oben beschriebenen Modell finden sich in der Literatur weitere
Ansätze zur Schedule-Optimierung mittels Slot-Zuordnung, die allerdings all-
gemein angelegt sind und nicht speziell für den Luftverkehr hergeleitet wur-
den. Als Beispiele für solche Ansätze können Arbeiten von Bartak (2000)
sowie von Brusoni / Console / Lamma et al. (1996) angeführt werden.
14
3.2.3.2.2 Flugplanoptimierung mit Zeittafel-Modellen

Mit Zeittafel-Modellen 15 optimiert man die Zeitenlagen unterschiedlicher
Dienste 16 . Beim Einsatz der Zeittafel-Modelle im Verkehrswesen versucht
man, unter Vorgabe der zu bedienenden Märkte sowie der Anzahl der Fre-
quenzen auf einzelnen Strecken die Start- und Endzeiten der Transportdiens-
te derart zu bestimmen, dass die im jeweiligen Modell spezifizierte Zielfunk-
tion ihr Optimum erreicht. Die Zeittafel-Modelle werden oft zur Optimierung
der Bus- und Bahnfahrpläne herangezogen und können somit wegen der
weitgehenden Ähnlichkeit der Prozesse und Zielsetzungen im Nah- und
Schienenverkehr und der Luftverkehrsindustrie auch zur Flugplanoptimierung
verwendet werden.
In Mekkaoui / de Palma / Lindsey (2000), in de Palma / Lindsey (2000) sowie

in de Palma / Fontan / Mekkaoui (2000) wird ein allgemeines, für die öffentli-
chen Verkehrsdienste spezifiziertes Zeittafel-Modell präsentiert, das die Start-
und Endzeiten der Transportdienste mit der Zielsetzung der Reduzierung von
passagierbezogenen Kosten optimiert. Diese Kosten entstehen, wenn die je-
weilige Start- oder Endzeit eines Transportdienstes früher oder später als die
vom Passagier präferierte Zeit liegt, da die Verteilung der Passagierpräferen-
zen bezüglich der Zeitenlagen stetig und die Verteilung der Zeitenlagen der
Dienste diskret ist.
Einige Zeittafel-Modelle sind der Optimierung der Transportdienste in Bezug

auf die Synchronisierung der einzelnen Dienste, bzw. der Maximierung der
Anzahl der möglichen Transitverbindungen, die aus einem Transportnetzwerk
resultieren, gewidmet. So auch das Modell von Salzborn (1980), in dem zwei
miteinander verwandte Probleme beschrieben werden: Das erste Problem ist
die Bestimmung der Zulässigkeit der einzelnen über die unterschiedlichen
Hubs laufenden Transfer-Routen; diese Zulässigkeit hängt von der Erfüllung
der entsprechenden Zeitfensterrestriktionen ab. Input für dieses Problem sind
die Gesamtreisezeit der Transfer-Route, die Pufferzeit zwischen den einzel-
nen Diensten sowie die minimale Zeit, die die Passagiere für einen Transfer
brauchen. Das zweite Problem behandelt die Planung der Zeitenlagen von
Zubringerdiensten in jedem Hub und ist Ausgangspunkt für die Bedingungen,
die zur Bildung von zulässigen Zubringer-Zeitplänen führen.
Ceder / Tal (1999) entwickelten am Beispiel der Busfahrpläne ein Modell zur
Bestimmung der Zeitenlagen von einzelnen Transportdiensten, die zur maxi-
15
Auch unter der Bezeichnung Timetabling-Modelle bekannt
16
z.B. Zeitenlagen der Schul- oder Studienunterrichte, Abfahrtszeiten der Busse oder Bahnen usw.
malen Anzahl von synchronisierten Transferverbindungen führen. Das Modell,

das als ein gemischt-ganzzahliges Problem formuliert wird, sucht nach
Abfahrtszeiten, die im Rahmen von vorgegebenen Intervallen liegen und die
Gesamtzahl von simultanen Busankünften an gleichen Netzwerkknoten maxi-
mieren. Die Autoren weisen auf die Möglichkeit der Modellerweiterung hin,
die aus der Gewichtung der einzelnen Transferverbindungen sowie der Defi-
nition der Zeitfenster besteht, in die die synchronen Ankünfte fallen sollen.
Ein weiteres Modell zur Transitoptimierung wurde von Klemt / Stemme (1988)
entwickelt. Als die zu minimierende Zielfunktion fungieren hier die Transfer-
kosten, die als Produkt aus Wartezeiten und Anzahl von Transitpassagieren
berechnet sind. Man unterstellt die Periodizität der Transportdienste auf jeder
Route und sucht nach Zeitenlagen, die im gegebenen Routennetzwerk zur
maximalen Synchronisation dieser Dienste in den Überscheidungspunkten
der Routen führen. Die mathematische Formulierung des Modells ergibt ein
quadratisches Zuordnungsproblem, das mit Hilfe einer Heuristik gelöst wird.
Ein Modell zur Festlegung der Zeitenlagen der Direktflüge, bei dem die
Summe der operativen Kosten und die Passagierwartezeit minimiert werden,
präsentiert Simpson (1969). Der wichtigste Modellinput ist die Information
über die Verteilung der Direktpassagiernachfrage über den Tag. Das Modell
basiert auf einem Netzwerk, das über zwei Variablen, nämlich der Abflugszeit
und der Anzahl der zu dieser Flugzeit wartenden Passagiere, aufgespannt
wird. Die Entscheidung über die zeitliche Positionierung eines Fluges fällt
ausgehend von den Kosten der Passagierwartezeit, die als lineare Funktion
der Wartezeit kalkuliert werden, und den operativen Kosten, die entstehen,
wenn ein Flug zu einer bestimmten Zeit ausgeführt wird. Im Modell wird eine
unbeschränkte Anzahl von zu jedem Zeitpunkt zur Verfügung stehenden
Flugzeugtypen unterstellt und es werden die bei einer Landung entstehenden
operativen Kosten vernachlässigt.
Gagnon (1967) schlägt ein Modell vor, das die Passagiernachfrage durch die
Definition von bestimmten Attraktivitätsregeln den in einem als Input fungie-
rendem Flugplan enthaltenen Flügen zuweist; dies geschieht in Abhängigkeit
von Zeitpräferenzen, Konkurrenzangebot und Flugauslastung. Wird das Mo-
dell als Bewertungsschritt in einem iterativen Zeitenlagenoptimierungsalgo-
rithmus eingesetzt, so lassen sich damit optimale Zeitenlagen der Flüge iden-
tifizieren.
Weitere Modelle zur Bestimmung der Zeitenlagen der Flüge finden sich z.B.
in Loughran (1972), Gertsbakh / Serafini (1991), Ceder (2001) und Bhadra /
Gentry / Hogan et al. (2003).
3.2.3.2.3 Modelle zur simultanen Optimierung der Zeitenlagen und der

Flugzeugzuordnung
Die oben beschriebenen Scheduling-Modelle optimieren nur die Abflugs- und
Ankunftszeiten der Transportdienste. Darüber hinaus wurden in der letzten
Zeit Modelle vorgestellt, die versuchen, die Bestimmung der Zeitenlagen der
Flüge mit der Zuordnung der Flugzeugtypen zu den einzelnen Flugsegmen-
ten zu kombinieren.
Dazu gehört auch das Modell von Rexing / Barnhart / Knicker (2000), das auf
mehreren Netzwerken basiert, die jeweils für einen Flugzeugtypen aufgebaut
werden. Gleichzeitig mit der Festlegung der optimalen Abflugszeiten wählt
das Modell die aus ökonomischen Gesichtspunkten beste Zuordnung der
Flugzeugtypen zu den Flugsegmenten. Dabei geht es von den operativen
Flugzeugkosten, den passagierabhängigen Kosten sowie den Opportunitäts-
kosten der Passierabweisung aus17. Opportunitätskosten entstehen, wenn die
Passagiernachfrage auf einem Flugsegment die verfügbare Sitzplatzkapazität
des diesem Segment zugeordneten Fluggeräts übersteigt. Das Modell opti-
miert die Abflugszeiten nur in Bezug auf die Minimierung der für die Ausfüh-
rung eines Flugplans notwendigen Anzahl der Flugzeuge und der damit ver-
bundenen Kosten. Es geht lediglich von der auf einem Flugsegment vorherr-
schenden lokalen Passagiernachfrage aus und berücksichtigt nicht die Trans-
ferpassagierströme, die bei entsprechender Festlegung der Zeitenlagen der
Flüge zusätzlich gebildet werden können.
Ein anderes Modell, das das Flug-Scheduling und die Flugzeugzuordnung im

gleichen Optimierungsschritt durchführt, wurde von Yan / Tseng (2002)
entwickelt. Bei gegebenen Informationen über Passagiernachfrage auf
vordefinierten O&Ds, Anzahl der Flugzeuge in den Teilflotten, verfügbaren
Slots und Kostendaten sucht das Modell nach der optimalen Allokation der
Zeitenlagen der Flüge und bestimmt die kostengünstigste Zuordnung der
Flugzeuge zu den Flugsegmenten. Eine Besonderheit dieses Modells ist die
explizite Berücksichtigung und die monetäre Bewertung der Direkt- und
Transferpassagierströme. Ziel ist die simultane Bestimmung von Flugzeug-
und Passagierflüssen, die zu minimalen Kosten bzw. zu maximalem Airline-
17
So genannte Spill-Kosten
Gewinn führen. Zur Abbildung dieser Flüsse werden zwei Netzwerke spezifi-
ziert: Das eine Netzwerk modelliert die Flugzeugbewegungen und die damit
verbundenen Kosten und Kapazitäten in der Luft und am Boden. Das andere
Netzwerk zeigt die Passagierströme auf O&D-Märkten mit den entsprechen-
den Kosten und Umsätzen. Die Zielfunktion minimiert die aus den Flugzeug-
und Passagierströmen der beiden Netzwerke resultierenden Kosten bzw.
Gewinne. Die Modellnebenbedingungen sorgen für die Einhaltung des
Netzwerkflusses, die Eindeutigkeit der Flugzeugzuordnung zu einem Flug-
segment sowie die Nichtüberschreitung der Anzahl der verfügbaren Flugzeu-
ge in der entsprechenden Sitzplatzkapazität. Somit erfolgt in diesem Modell
die Bestimmung der optimalen Zeitenlagen der Flüge parallel mit der Über-
prüfung der operationellen Flugzeugvalidität und der Flugplanbewertung. Zur
Berechnung der Flugzeugrotationen im nächsten Optimierungsschritt schla-
gen die Autoren den von Ahuja / Magnanti / Orlin (1993) entwickelten De-
kompositionsalgorithmus zur Zerlegung der Netzwerkflüsse in die Menge von
zusammenhängenden Kantenabfolgen vor.
3.2.3.3 Flugzeugrotationsmodelle mit Zeitenlagenverschiebungen

Im Unterschied zu Scheduling-Modellen, die einen Flugplan primär bezüglich
der Zeitenlagen optimieren, erfolgt in Flugzeugrotationsmodellen mit Zeiten-
lagenverschiebungen eine gleichzeitige Optimierung der Abflugs- und An-
kunftszeiten der Flüge sowie der Reihenfolge, in der die vorhandenen Flug-
zeuge diese Flüge ausführen. Ähnlich wie bei Scheduling-Modellen kann hier
der Entscheider z.B. ausgehend von der vordefinierten Grobstruktur der Hub-
Wellen18 die entsprechenden Zeitfenster für die Abflugszeiten der einzelnen
Flüge festlegen. Diese können sich dabei über mehrere Stunden oder, wenn
nötig, über mehrere Tage erstrecken sowie auch den Wert Null annehmen19.
Sollten die Zeitfenster mehrere Tage umfassen, muss in der Modellformulie-
rung sichergestellt werden, dass die Flüge mit gleichen Flugnummern, die an
unterschiedlichen Tagen ausgeführt werden, zu gleichen Tageszeiten starten
und landen20.
Außer den in der Spezifikation und der Lösung von Scheduling-Modellen zu

berücksichtigenden Restriktionen, die im vorherigen Abschnitt beschrieben
wurden, sind bei Rotationsmodellen mit Zeitenlagenverschiebungen noch die
aus den technischen Eigenschaften der Flugzeuge resultierenden Einschrän-
18
19
In diesem Fall sind die Abflugszeiten auf eine bestimmte Zeit fixiert
20
Vgl. SUHL, L. (1994), S. 106ff
kungen zu beachten. Diese Restriktionen müssen sicherstellen, dass zwi-

schen der Landung und dem darauf folgenden Startvorgang eines Flugzeu-
ges mindestens die für den jeweiligen Flughafen und Flugzeugtypen relevan-
te Turnaround Time (TAT) verstreicht oder dass ein Flugzeug nach einer be-
stimmten Anzahl von Flugstunden gewartet werden muss und somit für eine
gewisse Zeit nicht verfügbar ist.
Als Input benötigt das Rotationsmodell mit Zeitenlagenverschiebungen zu-

sätzlich zu den für die Scheduling-Modelle erforderlichen Inputs noch zwei
bzw. drei Größen: die Informationen über die im vorangegangenen Optimie-
rungsschritt erfolgte Zuordnung der Flugzeugtypen zu Flugsegmenten, die
Angaben über die TAT-Zeit und, falls die Flugzeugwartung im Modell explizit
berücksichtigt wird, wartungsrelevante Informationen.
Die Flugzeugrotationsmodelle mit Zeitenlagenverschiebungen können basie-

rend auf den formalen Darstellungen des "Multiple Traveling Salesman" oder
des "Vehicle Routing Problem with Time Windows" beschrieben werden. Eine
typische Formulierung für solche Flugzeugrotationsmodelle, die von der
Struktur des Multiple Traveling Salesman Problem with Time Windows
ausgeht und als lineares gemischt-ganzzahliges Programm aufgesetzt wird,
sei im Folgenden präsentiert21.
Das Modell basiert auf einem Diagraphen G(V,A). Die Menge der Knoten V
dieses Diagraphen bildet die einzelnen Flüge i∈ V, i = 1,..., N ab; die Menge
seiner Kanten A enthält alle für ein Flugzeug validen Verbindungen zwischen
zwei aufeinander folgenden Flügen. Der Diagraph G(V,A) besitzt außerdem
zwei zusätzliche Knoten: den Quellknoten O sowie den Senkknoten D. Für
G(V,A) werden folgende Mengen und exogene Variablen definiert:
TATi Die nach der Ausführung des Fluges i∈ V gültige Turnaround Time
ati, bti Jeweils die untere und die obere Grenze des Zeitfensters für den
Flug i∈ V
cij Kosten, die entstehen, wenn das gleiche Flugzeug den Flug i∈ V
unmittelbar nach dem Flug j∈ V ausführt
I Menge der Flüge mit gleichen Flugnummern, die an unterschiedli-
chen Tagen ausgeführt werden
dij Anzahl der Tage zwischen dem Ausführen der Flüge i und j∈ V
M Hinreichend große Zahl
21
Vgl. SUHL, L. (1994), S. 106ff.
Als Entscheidungsvariable des Modells fungiert die Zuordnung von zwei auf-
einander folgenden Flügen zu einer Rotation sowie die tatsächliche Abflugs-
zeit der Flüge:
°1 falls dasselbe Flugzeug den Flug j nach dem Flug i ausführt
xij = ®
°̄0 sonst
Ti Die Abflugszeit des Fluges i∈ V innerhalb des vorgegebenen Zeit-
fensters
Je nachdem, ob man die Gesamtkosten der Flugzeugzuordnung oder die Ge-

samtzahl der für die Ausführung des Flugplans notwendigen Flugzeuge
minimiert, ergeben sich folgende Zielfunktionen
ZF1 = min ¦¦ cij xij

i j
ZF2 = min ¦ xOj

j
sowie die Nebenbedingungen:

1. Eindeutigkeit der Zuordnung: Für zwei aufeinander folgende Flüge existiert
nur eine einzige Verbindung in nur einer Flugzeugrotation:
¦ x =¦ x
k
kj
k
jk =1, j = 1,..., N
2. Einhaltung der Vorgabe für das Zeitfenster: Die Abflugszeit der Flüge be-
findet sich innerhalb der jeweiligen vordefinierten Zeitintervalle:
ati ≤ Ti ≤ bti , i = 1,..., N

3. Einhaltung der Turnaround Time: In einer Rotation kann ein Flug nur dann
starten, wenn der vorausgehende Flug gelandet und die Turnaround Time
verstrichen ist:
T j − Ti − TATi ≥ M (xij − 1), ∀i, j
4. Binaritätsbedingung der diskreten Entscheidungsvariablen:
xij ∈ {0,1}, ∀i, j
5. Gleichheit der Abflugszeiten der Flüge an unterschiedlichen Wochentagen:

Erstrecken sich die Zeitfenster für die Abflugszeiten der Flüge über mehrere
Tage und ist die Gleichheit der Zeitenlagen der Flüge mit den gleichen Flug-
nummern gewünscht, wird folgende Nebenbedingung aktiviert, die allerdings
die Struktur des Multiple Traveling Salesman Problems aufhebt:
T j − Ti = d ij , i, j ∈ I
Außer der hier vorgestellten Modellformulierung finden sich in der Literatur

noch mehrere Ansätze zur Darstellung und Lösung der Flugzeugrotations-
probleme mit Zeitlagenverschiebungen. So basieren Ioachim / Desrosiers /
Soumis et al. (1999) ihr Optimierungsmodell auf den für jedes Flugzeug kon-
struierten Diagraphen und beschreiben es in Form eines Mehr-Güter-Netz-
werkflussproblems, in dem jedes Flugzeug ein Gut repräsentiert. Dieses
Modell, das die Kosten der Flugzeugzuordnung minimiert und nicht lineare
Restriktionen enthält, ermöglicht die Flugplanoptimierung für eine heterogene
Flugzeugflotte. Es enthält Flusserhaltungsrestriktionen, Restriktionen für
Abflugs- und Turnaround-Zeiten sowie die Zuordnungseindeutigkeit.
Desaulniers / Desrosiers / Dumas (1997) entwickeln zwei alternative Formu-

lierungen für das Rotationsmodell mit Zeitenlagenverschiebungen im Rah-
men der vorgegebenen Zeitfernster. Die erste Formulierung stellt die
Rotationsbildung als ein Mengenpartizionierungsproblem dar. Darin wird für
jeden möglichen Flugplan eines bestimmten vorhandenen Flugzeugtypen
eine binäre Entscheidungsvariable definiert, die das Enthalten dieses Flug-
plans in der Endlösung kennzeichnet. Darüber hinaus werden hier die
Nebenbedingungen spezifiziert, die für die Gleichheit der Anzahl der starten-
den und landenden Flugzeuge an jedem Flughafen sowie für die Nichtüber-
schreitung der verfügbaren Anzahl der Flugzeuge in den Teilflotten sorgen.
Die zweite Formulierung beschreibt das Mehr-Güter-Netzwerkflussproblem
und sucht nach besten Verbindungsmöglichkeiten für zwei aufeinander fol-
gende Flüge, die von einem Flugzeug ausgeführt werden können. Die hier
vorhandenen Nebenbedingungen sorgen für die Eindeutigkeit der Zuordnung,
die Flusserhaltung an jedem Graphknoten, die Einhaltung der vordefinierten
Zeitfenster und der Turnaround Time sowie für die Nichtüberschreitung der
maximalen Flugzeugzahl. Die Autoren gehen von der zeitunabhängigen Pas-
sagiernachfrage aus und spezifizieren die Kosten und Erträge auf Basis der
einzelnen Flugsegmente, ohne die Transferverbindungen zu berücksichtigen.
Levin (1971) schlägt zwei Flugzeugrotationsmodelle mit Zeitenlagenverschie-

bungen vor, die die Anzahl der eingesetzten Flugzeuge für homogene Flotten
minimieren. Das erste Modell basiert auf einem Diagrafen, in dem die Flüge
als Knoten und die Verbindungen zwischen zwei Flügen für ein Flugzeug als
Kanten fungieren. Hierin wird für jeden Flug ein Bündel möglicher Abflugs-
zeiten definiert. Die Minimierung der Flugzeugzahl manifestiert sich in der
Suche nach einem solchen maximalen 0-1 Netzwerkfluss, bei dem für jeden
Knoten höchstens ein Element aus dem entsprechenden Zeitenbündel einen
1-Fluss sendet oder empfängt. Das zweite Modell basiert auf einem Zeit-
Raum-Netzwerk, in dem die Abflugs- und Ankunftszeiten die Netzwerkknoten
repräsentieren. Jeder potenzielle Flug, der für eine der Netzwerkkanten steht,
verbindet zwei Knoten, die somit seine Zeitenlage bestimmen. Eine Indikati-
onsvariable gibt an, ob die entsprechende Kante in der Endlösung enthalten
ist. Das Modell minimiert die sich bei der operativen Ausführung des Flug-
plans ergebende Anzahl der Flugzeuge bzw. Flugzeugrotationen, die als
Summe der Flüsse auf den Übernachtungskanten berechnet wird.
Die meisten Rotationsmodelle mit Zeitenlagenverschiebungen haben das Ziel,

die optimale Zusammensetzung und Reihenfolge der auszuführenden Flug-
segmente für jedes vorhandene Flugzeug bei flexibler Festlegung der
Zeitenlagen der Flüge zu finden. Die Abflugs- und Ankunftszeiten ergeben
sich somit als ein Nebenprodukt der Rotationsplanung, bei der entweder die
Flugzeugzahl oder die Kosten des Flugbetriebs minimiert werden. Ein
Flugplan, der mit solchen Rotationsmodellen erstellt wurde, ist optimal in
Bezug auf die operative Durchführung, reflektiert jedoch nicht notwendiger-
weise die Marktseite und ist nicht auf die Maximierung der Passagiererträge
ausgerichtet.
Mashford / Marksjö (2002) entwickeln ein mehrstufiges Rotationsmodell, das

sowohl die interne Betriebssicht als auch die Passagiersicht in die Optimie-
rung integriert. In der ersten Modellstufe werden mögliche valide Rotationen
bei der Selektion von bestimmten Abflugszeiten und unter Einhaltung von
relevanten Turnaround-Zeiten gebildet. Die Menge der Flugzeugrotationen,
die bei den gewählten Zeitenlagen der Flüge jeden im Flugplan vorhandenen
Flug abdeckt, wird in der nächsten Stufe bewertet. Dazu werden als erstes
alle möglichen Direkt- und Transferpassagierverbindungen aufgebaut. Beim
Aufbau der Transferverbindungen wird die von der Airline spezifizierte mini-
male und maximale Verbindungszeit berücksichtigt. Die anschließende Be-
wertung der Verbindungen erfolgt durch die Allokation der Passagiernach-
frage zu jeder gebildeten Verbindung und die Modellierung der entsprechen-
den Tarife. In einem iterativen Optimierungsprozess, in dem in jeder Optimie-
rungsschleife die Zeitenlagen der Flüge und die Rotationen mit Hilfe eines
Substitutionsalgorithmus neu festgelegt werden, werden die beiden Modell-

stufen mehrmals nacheinander durchlaufen, bis die beste Flugplanlösung
gefunden ist.
Ein weiteres Modell, das die Transferpassagierströme in der Rotationspla-

nung explizit berücksichtigt, stellen Erdmann (1999) und Noltemeier (2001)
vor. Hier wird am Beispiel der Charterflugpläne ein gemischt-ganzzahliges
Optimierungsproblem beschrieben, das den aus den Kosten des Flugzeug-
einsatzes und den Passagierumsätzen zusammengesetzten Airline-Gewinn
maximiert. Das Modell bestimmt die unter Kostengesichtspunkten optimalen
Rotationen und versucht dabei, durch die Festlegung der passenden Ab-
flugszeiten der Flüge die generierten Flugzeugrotationen mit möglichst vielen
Transferpassagierströmen zu verbinden.
3.3 Lösungsverfahren der Flugplanoptimierungsmodelle

3.3.1 Überblick über die potenziellen Lösungsverfahren
Der Wert der Zielfunktion der im Abschnitt 3.2 präsentierten Flugplanoptimie-
rungsmodelle hängt von der Reihenfolge der Ausführung der einzelnen Flug-
planoperationen ab22. Somit gehören diese Modelle zur Klasse der so ge-
nannten kombinatorischen Optimierungsprobleme23. Da die Entscheidungs-
variablen dieser Modelle ganzzahlig oder gemischt-ganzzahlig sind, handelt
es sich hierbei um eine ganzzahlige bzw. gemischt-ganzzahlige kombinatori-
sche Optimierung. Der Lösungsraum der Flugplanoptimierungsmodelle um-
spannt sämtliche zulässige Kombinationen der im jeweiligen Modell definier-
ten Entscheidungsvariablen24. Je nach Problemstellung und Modellspezifikati-
on kann dieser Lösungsraum mehrere Millionen Ergebnispunkte enthalten.
Die Lösungsverfahren solcher Modelle müssen folglich in der Lage sein, das
Modelloptimum aus einer riesigen Ergebnismenge zu ermitteln.
Die Ganzzahligkeitsbedingung der Modellvariablen stellt zusätzliche Anforde-

rungen an die Lösungsverfahren und erschwert den Optimierungsprozess.
Die optimalen ganzzahligen Ergebnisse können nicht durch das Runden der
Ergebnisse der Modelloptimierung ohne die Berücksichtigung der Ganzzah-
ligkeitsbedingung errechnet werden25. Es bedarf spezieller Optimierungstech-
22
z.B. von der Reihenfolge der der Flüge in einer Rotation, Anordnung der Flüge an einem Hub-Flughafen
usw.
23
Vgl. ZIMMERMANN, W. / STACHE, U. (2001), S. 147
24
25
niken, die das Problemoptimum unter Ausschluss aller nicht ganzzahligen Lö-
sungen ermitteln. Es existieren mehrere mathematische Verfahren, die für die
ganzzahlige bzw. gemischt-ganzzahlige kombinatorische Optimierung einge-
setzt werden. Diese Verfahren unterscheiden sich danach, ob sie die optima-
le zulässige Lösung exakt ermitteln oder sich der optimalen Lösung nur
nähern. Die ersteren, die exakten Lösungsverfahren werden angewandt,
wenn sich die Optimierungsprobleme mit einem vertretbaren Rechenaufwand
lösen lassen. Ist dies nicht der Fall, werden die so genannten heuristischen
Lösungsverfahren eingesetzt. "Diese bestehen aus bestimmten Vorgehens-
regeln zur Lösungsfindung, die hinsichtlich des angestrebten Ziels und unter
Berücksichtigung der Problemstruktur als sinnvoll, zweckmäßig und Erfolg
versprechend erscheinen, aber nicht immer die optimale Lösung hervorbrin-
gen. Der Rechenaufwand ist dafür meistens gering" 26. Abbildung 3.2 zeigt
und klassifiziert die wichtigsten Lösungsverfahren der ganzzahligen kombina-
torischen Optimierungsprobleme. In den folgenden Abschnitten werden diese
Lösungsverfahren beschrieben und ihre Einsatzmöglichkeit zur Lösung der
Flugplanoptimierungsprobleme diskutiert.
Heuristische
Heuristische
Exakte
Exakte Optimierungsverfahren
Optimierungsverfahren Optimierungsverfahren
Optimierungsverfahren
• Vollständige Enumeration • Allgemein anwendbare

Heuristiken
• Schnittebenenverfahren – Dekomposition
– Induktives Vorgehen
• Entscheidungsbaumverfahren – Analogieschlüsse
– Dynamische Optimierung – Inkrementalanalyse
– Begrenzte Enumeration – Stufenweise Verfeinerung der
– Branch-and-Bound-Verfahren Modellstruktur
– Modellmanipulationen usw.
• Metaheuristiken
– Tabu-Suche
– Simulated Annealing
– Genetische Algorithmen
Abbildung 3.2: Optimierungsverfahren für kombinatorische Probleme
26
MÜLLER-MERBACH, H. (1973), S. 290
3.3.2 Exakte Lösungsverfahren

3.3.2.1 Vollständige Enumeration
Bei der vollständigen Enumeration wird jeder Punkt aus dem zulässigen Lö-
sungsraum des jeweiligen Modells bewertet und das beste Ergebnis ausge-
wählt. Diese Prozedur ist sehr rechenaufwendig. Sie setzt voraus, dass jede
Ausprägung der Entscheidungsvariablen der Flugplanoptimierungsprobleme
generiert und bewertet wird. Im Hinblick auf die bereits erwähnte exorbitante
Größe des zulässigen Lösungsbereichs solcher Probleme wird verständlich,
dass dieses Verfahren zur Lösung der Flugplanoptimierungsprobleme nicht
herangezogen werden kann.
3.3.2.2 Schnittebenenverfahren
Das Schnittebenenverfahren zeichnet sich durch das systematische iterative
Hinzufügen der künstlichen Restriktionen des Lösungsraumes aus, die den
zulässigen ganzzahligen Bereich einschränken27. Die sukzessive Einengung
des beschriebenen Bereichs führt dazu, dass die optimale Lösung auf einen
ganzzahligen Punkt fällt. Der Nachteil dieses Verfahrens besteht darin, dass
es sehr kompliziert ist, den Lösungsraum effektiv einzugrenzen, ohne dabei
den Optimalpunkt abzuschneiden. Außerdem weist das Schnittebenenverfah-
ren ein schlechtes Konvergenzverhalten auf. Aus diesen Gründen eignet es
sich ebenso wie die vollständige Enumeration nicht zur Lösung der Flugplan-
optimierungsprobleme28.
3.3.2.3 Entscheidungsbaumverfahren
Beim Entscheidungsbaumverfahren wird nur der Teil des zulässigen Lö-
sungsbereichs enumeriert, in dem die optimale Lösung vermutet wird. Die
Lösungen oder Teillösungen, die ausgehend von einem bestimmten Kriterium
als suboptimal identifiziert werden können, werden somit nicht bewertet, was
mit dem Abspalten der entsprechenden Zweige eines Entscheidungsbaumes
assoziiert wird. Diese Vorgehensweise reduziert den Rechenaufwand, der mit
der Modelloptimierung verbunden ist, erheblich. Allerdings kann bei bestimm-
ten Problemformulierungen der Rechenaufwand wiederum sehr groß wer-
den29, was den Einsatzbereich dieses Verfahrens in der Flugplanoptimierung
einschränkt. Je nach Organisation des Enumerationsprozesses unterscheidet
27
Vgl. MÜLLER-MERBACH, H. (1973), S. 370
28
29
man drei Entscheidungsbaumverfahren, die in den nachfolgenden Abschnit-

ten dargestellt werden.
3.3.2.3.1 Dynamische Optimierung

Bei der dynamischen Optimierung erfolgt die Enumeration in zueinander
parallelen Stufen, auf denen aus der Menge der inhaltlich gleichen Teillösun-
gen30 solche aussortiert und verworfen werden31, die nicht zu einer besseren
Lösung führen als dies die bereits bewerteten Lösungsvarianten tun32. Ein
solcher sequenzieller Aufbau des Entscheidungsbaumes sorgt zwar für die
Übersichtlichkeit des Optimierungsprozesses, verursacht jedoch einen hohen
Rechenaufwand33 und benötigt viel Speicherkapazität, da sämtliche Zweige
gleichzeitig gespeichert werden müssen34. Aus diesen Gründen eignet sich
das Verfahren der dynamischen Optimierung nur in einem sehr begrenzten
Maße zur Lösung der Flugplanoptimierungsprobleme.
3.3.2.3.2 Begrenzte Enumeration

Die begrenzte Enumeration ist durch den streng sequenziellen Aufbau des
Enumerationsprozesses charakterisiert. Im Unterschied zur vollständigen
Enumeration wird hier mit Hilfe eines heuristischen Eröffnungsverfahrens
eine Ausgangslösung im Entscheidungsbaum generiert35. Basierend auf die-
ser Lösung, die – je nach Optimierungsrichtung – entweder die Ober- oder
die Untergrenze für die Zielfunktion bildet, werden die weiteren Lösungen
derart aufgebaut, dass die weiteren Äste nur an die Zweige des Entschei-
dungsbaumes angehängt werden, deren Zielfunktionswert die zuvor be-
stimmte Ober- bzw. Untergrenze unter- bzw. überschreitet. Auch das Verfah-
ren der begrenzten Enumeration ist mit einem größeren Rechenaufwand ver-
bunden36 und somit zur Lösung der Flug-Scheduling-Probleme nicht optimal
geeignet.
30
Vlg. ZIMMERMANN, W. / STACHE, U. (2001), S. 154
31
Unter inhaltlich gleichen Teillösungen können dabei solche Lösungen verstanden werden, die z.B. die
gleichen Graphkanten oder -knoten enthalten, sich jedoch in der Reihenfolge der Kanten- oder Knotenaus-
wahl unterscheiden
32
Vgl. OHSE, D. (1998), S. 103ff
33
Vgl. ZIMMERMANN, H.-J. (1992), S. 201, ZIMMERMANN, W. / STACHE, U. (2001), S. 154
34
35
36
3.3.2.3.3 Branch-and-Bound-Verfahren
Im Branch-and-Bound-Verfahren wird der Enumerationsprozess in gemisch-
ten parallelen und sequenziellen Schritten organisiert37. Nach der Zerlegung
des Lösungsraums des Problems in Teilmengen wird nach der Ergebnismen-
ge gesucht, die eventuell die optimale Lösung enthält. Das schrittweise Auf-
spalten des Lösungsraumes wird "Branching" genannt. "Bounding"
bezeichnet die Bestimmung der entsprechenden oberen oder unteren
Schranken des Zielfunktionswertes, mit deren Hilfe die die optimale Problem-
lösung enthaltenden Ergebnissteilmengen eingegrenzt werden38. Die Schran-
ken für die Zielfunktion des Problems werden im allgemeinen Fall durch die
Lösung des um die Ganzzahligkeitsbedingung relaxierten Problems, der so
genannten LP-Relaxierung, kalkuliert. Eine besondere Art der Relaxierung,
bei der ein Teil der Nebenbedingungen bei der Multiplikation mit den Straff-
kosten in die Zielfunktion übertragen wird, wird "Lagrange-Relaxierung" ge-
nannt. Mit der Lagrange-Relaxierung lassen sich besonders scharfe Schran-
ken für das Optimierungsproblem finden. Die Wahl der Knoten bzw. der Zwei-
ge des Entscheidungsbaumes spielt eine wichtige Rolle in Branch-and-
Bound-Verfahren.
Um die Recheneffizienz des Branch-and-Bound-Verfahrens zu verbessern

sowie die Anzahl der für die Findung der optimalen Lösung notwendigen
Bewertungsschritte zu reduzieren, kombiniert man es mit dem Schnittebe-
nenverfahren oder mit der Spaltenerzeugung. Die Kombination des Branch-
and-Bound-Algorithmus mit dem Schnittebenenverfahren nennt man "Branch
and Cut". Die Kombination von Branch and Bound mit der Spaltenerzeugung,
die als Branch-and-Price-Verfahren bezeichnet wird, löst Optimierungsprob-
leme mit einer sehr großen Anzahl von Variablen bei vertretbarem Rechen-
und Zeitaufwand.
In der Literatur finden sich zahlreiche Veröffentlichungen, die sich mit der
Lösung des Scheduling-Problems sowie des mit der Struktur der Flugzeugro-
tationsproblems mit Zeitfenstern im Wesentlichen übereinstimmenden
Vehicle Routing Problem with Time Windows mit Hilfe von Branch-and-Bound
Verfahren und seinen Modifikationen beschäftigen. So entwickeln Barnhart /
Johnson / Nemhauser et al. (1998) ein Branch-and-Price-Verfahren zur
Lösung großer Scheduling- und Zuordnungsprobleme. Auch Savelsberg
(1998) entwickelt und validiert einen Branch-and-Price-Algorithmus für große
37
38
allgemeine Zuordnungsprobleme. Mehrere Autoren, wie z.B. Rousseau /

Gendreau / Pesant et al. (2004), Desrochers / Desrosiers / Solomon (1992) et
al. und Larsen (1999) untersuchen die Lösbarkeit des Traveling Salesman
und des Vehicle Routing Problem with Time Windows mit Hilfe von Branch-
and-Price-Verfahren und weisen auf das zuverlässige Laufzeitverhalten
sowie die Praxistauglichkeit dieses Verfahrens hin. Cordeau / Desaulniers /
Desrosiers et al. (2000) berichten über ähnliche Ergebnisse für das Branch-
and-Cut-Verfahren bei seiner Anwendung zur Lösung der Vehicle-Routing-
Probleme. Ioachim / Desrosiers / Soumis et al. (1999) sowie Desaulniers /
Desrosiers / Dumas. et al. (1997) lösen das Flugzeugrotationsproblem mit
Zeitfenstern mit Hilfe des Branch-and-Price-Algorithmus. Erdmann (1999)
und Noltemeier (2001) verwenden das Branch-and-Cut-Verfahren zur Lösung
für ihr Modell zur Rotationsbildung mit Zeitfenstern.
Trotz der theoretischen Möglichkeit, das Branch-and-Bound-Verfahren zur

Lösung von diversen Optimierungsproblemen einzusetzen, wird es in der
vorliegenden Arbeit nicht angewandt. Gründe dafür sind unter anderem die
mangelnde Flexibilität dieses Verfahrens, sein relativ hoher Rechenaufwand
und die Schwierigkeit der Implementierung.
3.3.3 Heuristische Lösungsverfahren

3.3.3.1 Eigenschaften und Arten heuristischer Verfahren
Im Unterschied zu den in den letzten Abschnitten dargestellten exakten
Lösungsverfahren verfolgt man bei der Anwendung heuristischer Verfahren
das Ziel, Modelllösungen zu ermitteln, die nahe am Optimum liegen und mit
einem vertretbaren Rechenaufwand und in akzeptabler Zeit bestimmt werden
können.
Heuristische Verfahren eignen sich zur Lösung einer Vielzahl von Optimie-
rungsproblemen. Der genaue Aufbau und die Ausgestaltung des Suchprozes-
ses dieser Verfahren ist jedoch stets problemabhängig und lässt sich nicht zu
einer exakt vordefinierten mathematischen Struktur zusammenfassen39. Viel-
mehr geben die existierenden heuristischen Verfahren ein grobes Ablaufmus-
ter vor, das der Benutzer zur Lösung seines Problems adaptieren und ggf.
verfeinern muss. Somit weisen die Lösungsheuristiken folgende Eigenschaf-
ten auf40:
39
Vgl. ZIMMERMANN, H.-J. (1992), S. 265
40
• Ausschluss potenzieller Lösungen: Heuristische Verfahren grenzen den

Lösungsraum des Problems ein und evaluieren nur die Ergebnispunkte,
die sich innerhalb der eingegrenzten Bereiche befinden, ohne dabei zu
prüfen, ob das globale Optimum im ausgeschlossenen Lösungsraum liegt.
• Nicht willkürliche Suchprozesse: Die Ergebnissuche erfolgt nach be-
stimmten Regeln.
• Fehlende Lösungsgarantie: Die durch den Ausschluss potenzieller Lösun-
gen bedingte fehlende Konvergenz gegen den optimalen Ergebniswert
schließt ihrerseits die Übernahme der Lösungsgarantie aus.
• Subjektive Stoppregeln: Das mangelnde Konvergenzverhalten der heuris-
tischen Verfahren führt dazu, dass der Benutzer Stoppregeln festlegen
muss, die von der Struktur des zu lösenden Problems abhängen.
• Steuerungsmöglichkeiten: Das Verfahren muss Adaptationen durch den
Benutzer insofern zulassen, als dieser den Ablauf des Optimierungs-
prozesses kontrollieren und entsprechend der Problemstruktur steuern
können muss.
Man unterscheidet zwei grundsätzliche Arten von heuristischen Verfahren41:

Mit dem so genannten Eröffnungsverfahren sucht man nach einer zulässigen
Ausgangslösung des Modells. Mit Hilfe der "Verbesserungsverfahren"
versucht man, eine bekannte Modelllösung in iterativen Schritten zu verbes-
sern.
Die Verbesserungsverfahren gliedern sich ihrerseits in so genannte "allge-

mein anwendbare Heuristiken"42 und in Meta-Heuristiken. Erstere bestehen
aus einer Reihe allgemein gültiger Vorgehensvorschläge, die eine Problemlö-
sung oder zumindest die Verbesserung einer bekannten Lösung herbeiführen
können. Diese zum größten Teil aus der Beobachtung des menschlichen
Entscheidungsverhaltens resultierenden Handlungsempfehlungen umfassen
folgende Maßnahmen43:
• Dekomposition: Man zerlegt das Problem in Teilprobleme und zieht eine
Schlussfolgerung über das globale Optimum des Gesamtproblems basie-
rend auf den Lösungen der einzelnen Teilprobleme.
• Induktives Vorgehen: Man zieht die Schlussfolgerung aus der Lösung
eines verkleinerten Modells und überträgt sie auf die Lösung des Ge-
samtproblems.
41
42
43
• Analogieschlüsse: Ausgehend von den Lösungsstrukturen der Teilmodel-

le zieht man Rückschlüsse auf die Eigenschaften der Globallösung
• Inkrementalanalyse: Man versucht, durch Modifikationen der Lösung im
lokalen Umfeld die Gesamtlösung zu verbessern.
• Stufenweise Verfeinerung der Modellstruktur: Man beginnt mit der Lösung
eines grob spezifiziertes Modells, das man im Rahmen der Optimierungs-
routine nach und nach detailliert und verfeinert.
• Modellmanipulationen: Man ändert das zu lösende Modell, um eine
brauchbare zulässige Lösung herbeizuführen.
Für das Vehicle Routing und das Traveling Salesman Problem existieren
neben den oben dargestellten allgemein anwendbaren Heuristiken heuristi-
sche Optimierungsalgorithmen, die auf bestimmten Regeln für den Austausch
der Netzwerkknoten – oder der Kanten im lokalen Umfeld einer bestimmten
Lösung – basieren44. Der Grundgedanke dieser Algorithmen besteht in der
Untersuchung der lokalen Umgebung der aktuellen Lösung nach Nachbar-
schaftslösungen, die einen besseren Zielfunktionswert aufweisen. Als Nach-
barschaft werden dabei solche Punkte des Lösungsraumes verstanden, die
ausgehend von der aktuellen Lösung durch eine einzige Austauschoperation
erreicht werden können.
Außer den allgemein anwendbaren Algorithmen existiert eine weitere Katego-

rie der Verbesserungsverfahren, die als Meta-Heuristiken bezeichnet werden.
Diese enthalten eine Reihe von allgemein spezifizierten Vorschriften und
Strategien, die den Suchprozess leiten und in die je nach Ausgestaltung des
zu lösenden Problems verschiedene andere exakte oder heuristische
Verfahren eingebettet werden können. Die Meta-Heuristiken haben sich bei
der Lösung von komplexen kombinatorischen Optimierungsproblemen mit
riesigem Lösungsraum als besonders leistungsfähig erwiesen. Im Un-
terschied zu allgemein anwendbaren Heuristiken, die nur gewisse Hand-
lungsempfehlungen definieren und für jedes Problem maßgeschneidert wer-
den müssen, enthalten Meta-Heuristiken die für mehrere Problemtypen gel-
tenden Regeln zur Steuerung und Beschleunigung des Optimierungsprozes-
ses, Vermeidung der lokalen Optimalitäten, Identifikation der Erfolg verspre-
chenden Bereiche des Lösungsraumes sowie zur Auswahl der Nachbar-
schaftslösungen. Bei der Verwendung von Meta-Heuristiken muss der
Benutzer jedoch in Abhängigkeit von Struktur, Größe und anderen Gegeben-
heiten des zu lösenden Problems subjektive Inputparameter für die jeweilige
44
Vgl. WENDT, O. (1995), S. 20ff.
Meta-Heuristik festlegen, deren Werte die Suchrichtung und -intensität sowie

die Ergebniskonvergenz wesentlich beeinflussen können.
Bei der Optimierung von Flugplänen spielen die allgemein anwendbaren Heu-
ristiken nur eine untergeordnete Rolle. Mit ihrer Hilfe können zwar gewisse
den Optimierungsprozess erleichternde oder vereinfachende Modellmodifika-
tionen kreiert werden – so kann man z.B. mehrere Kanten und Knoten eines
Netzwerkes durch eine Heuristik aggregieren, was die Modellgröße erheblich
reduzieren kann und somit die Optimierung vereinfacht. Doch die Lösung der
Flugplanoptimierungsmodelle bis zur Optimalität ermöglichen diese Heuristi-
ken in den meisten Fällen nicht. Aus diesem Grund werden hier die allgemein
anwendbaren Heuristiken nicht weiter erläutert. Dagegen haben sich die
wichtigsten Meta-Heuristiken bei der Lösung von Flugplanoptimierungsprob-
lemen als sehr zielführend erwiesen und werden daher in den nächsten Ab-
schnitten präsentiert. Da eine dieser Meta-Heuristiken, die "Tabu-Suche", für
die Lösung des in der vorliegenden Arbeit entwickelten Fuzzy- und Marktmo-
dell-basierten Flugplanoptimierungsmodells eingesetzt wird, findet sich nach-
folgend eine ausführliche Darstellung ihres Aufbaus und ihrer Funktionsweise.
Für die anderen relevanten Meta-Heuristiken wird nur das Grundprinzip er-
klärt.
3.3.3.2 Tabu-Suche
Die Tabu-Suche wurde von Glover (1986) zur Lösung kombinatorischer
Optimierungsprobleme entwickelt. Es handelt sich um ein iteratives Suchver-
fahren, das sich durch ein flexibles und adaptives Gedächtnis auszeichnet.
Das Verfahren ist in der Lage, den Optimierungsprozess so zu steuern bzw.
die Ausführung der untergeordneten Methoden so zu organisieren, dass die
lokalen Optima der Zielfunktion überwunden werden. Das Verhindern vom
Verfangen im lokalen Minimum oder Maximum wird durch eine Bewertungs-
funktion sichergestellt. Sie selektiert aus der relevanten Nachbarschaft der
aktuellen Problemlösung die Lösung mit der größten Verbesserung oder der
geringsten Verschlechterung des Zielfunktionswertes und deklariert sie als
nächste aktuelle Lösung. Da auch Ergebnisverschlechterungen akzeptiert
werden, ist bei diesem Vorgehen das wiederholte Aufsuchen der bereits
bewerteten und akzeptierten Lösungen möglich, was den Optimierungspro-
zess in einen Zyklus führen würde. Um dies zu verhindern, wird eine Liste,
auch "Tabu-Liste" genannt, eingeführt, die die Eigenschaften der bereits
besuchten Lösungen speichert. Die in den Suchalgorithmus integrierte
Verbot-Strategie kontrolliert den Inhalt der Tabu-Liste und verhindert so das
Aufsuchen der in der Tabu-Liste enthaltenen Lösungen, wodurch Zyklen

vermieden werden 45 . Zur 100-prozentigen Verhinderung der wiederholten
Bewertung von Modellergebnissen wäre ein Ausschluss aller bereits besuch-
ten Lösungen nötig. Dies würde jedoch einen hohen Speicherbedarf und
Rechenaufwand verursachen. Ausreichend, dennoch ohne Garantie für die
vollständige Eliminierung von Zyklen, ist das Verbot bzw. das Tabu-Setzen
einer bestimmten Anzahl zuletzt besuchter Lösungen. Diese Anzahl von
zuvor akzeptierten und bewerteten Lösungen, die nicht erneut aufgebaut
werden dürfen, nennt man die Länge der Tabu-Liste. Sie ist einer der oben
erwähnten Inputparameter der Meta-Heuristiken, die vom Benutzer definiert
und an den Optimierungsalgorithmus übergeben werden müssen. Von ihr
hängt in hohem Maße die Effizienz der Suche und die Konvergenz der
Modellergebnisse ab. Ist die Länge der Tabu-Liste zu gering, kann sich der
Suchalgorithmus in Zyklen verfangen, ist sie zu groß, kann die Suche zu weit
von attraktiven Bereichen des Lösungsraumes weggesteuert werden, bevor
diese Bereiche ausreichend enumeriert sind.
Ein weiterer Inputparameter der Tabu-Suche ist das "Abbruchskriterium",

über das der Benutzer vorgibt, wann die Suche zu beenden ist. Unterschied-
liche Abbruchskriterien sind denkbar, einige sind im Folgenden aufgeführt46:
• Eine zulässige optimale Lösung wurde gefunden.
• Die vor Beginn des Optimierungsprozesses festgelegte maximale Anzahl
der Iterationen ist erreicht.
• Es existiert keine weitere relevante Nachbarschaftslösung für die aktuelle
Lösung.
• Innerhalb einer vordefinierten Anzahl der letzten Iterationen wurde keine
signifikante Verbesserung des Zielfunktionswertes festgestellt.
Formal kann das Grundschema der Tabu-Suche wie folgt dargestellt werden:
Gegeben ist ein Optimierungsproblem c(x): x∈ X → min

1. Initialisierung:
Bestimme eine Ausgangslösung x´∈ X, setze xakt = x' und T =∅ (xakt ist
die aktuelle Modelllösung, T ist die Tabu-Liste)
2. Erzeugung einer Nachbarschaftslösung:
Wähle xneu ∈ arg min (c(x): x∈ N(x')), wobei N(x) die Menge der Nach-
barn x∈N(x) darstellt, die durch nicht tabu gesetzte Nachbarschaftslösun-
45
Vgl. VOSS, S. (1993), S. 39ff.
46
gen m(x) ∉ T erreichbar sind

3. Wahl einer besseren Lösung, Prüfung des Abbruchskriteriums:
Setze x' = xneu. Gilt c(x') < c(xakt), setze xakt = x'. Ist das Abbruchskriterium
erfüllt, so terminiere. Sonst passe die Tabu-Liste T an und gehe zurück zu
Schritt 2.
1
Initialisierung
Finde eine Ausgangslösung und

initialisiere das Modell mit dieser
Lösung
2
Erstelle Kandidatenlisten
Generiere eine Liste der zulässigen

Nachbarschaftslösungen
3 Wähle eine neue Lösung und

bewerte sie
JA Bringt die Auswahl der aktuellen
Lösung eine Zielfunktions-
verbesserung (oder die geringste
Verschlechterung)?
NEIN JA
7 Prüfe Kriterien für die Bildung 4 Prüfe den Status der

der Nachbarschaft Tabu-Liste
Soll eine andere Lösung aus der
Ist gewählte Lösung tabu
direkten Nachbarschaft gewählt und
gesetzt?
evaluiert werden?
NEIN Nicht tabu Tabu

6 5 Prüfe das Aspirations-
Die Lösung ist zulässig
kriterium
JA
Speichere sie als neue Die Lösung erfüllt das
beste Lösung Aspirationskriterium
NEIN
8 Überschreibe die alte 9 Überschreibe das 10 Modifiziere Tabu-Liste

Lösung mit der neuen Abbruchkriterium und Aspirationskriterium
NEIN
Deklariere die neue Ist das Abbruchskriterium Bilde die Basis für neue
Lösung als die „beste“ erfüllt? Nachbarschaften
JA
STOP
Abbildung 3.3: Interner Ablauf der Kurzzeitgedächtnisfunktion der Tabu-Suche (Quelle:

GLOVER, F. (1990), S. 368)
Zusätzlich zu dem in der formalen Beschreibung dargestellten Grobablauf der

Tabu-Suche, können weitere Bestandteile den Suchalgorithmus dieser Meta-
Heuristik ergänzen und verfeinern. So kann der Benutzer etwa neben der
Länge der Tabu-Liste und dem entsprechenden Abbruchskriterium noch ein
so genanntes "Aspirationskriterium" vorgeben: Es besteht aus der Menge der
Regeln, die in einer bestimmten Situation das Ausführen einer tabuisierten
Nachbarschaftslösung erlauben. Im Folgenden werden mögliche Ausprägun-
gen des Aspirationskriteriums mit den entsprechenden möglichen Zuständen
des Optimierungsprozesses präsentiert, in denen dieses Kriterium zur
Anwendung kommen kann47.
• "Aspiration by Default": Tritt auf, wenn alle Nachbarschaftslösungen tabu
gesetzt sind. In diesem Fall wird der Tabu-Status einer zufällig ausge-
wählten Nachbarschaftslösung oder einer Lösung mit der geringsten ver-
bleibenden Tabu-Zeit aufgehoben.
• "Aspiration by Objective": Kann in Situationen angewandt werden, in de-
nen die Aufhebung des Tabu-Status mit erheblichen Verbesserungen des
Zielfunktionswertes verbunden ist48.
• "Aspiration by Search Direction": Kommt zustande, wenn die Wahl einer
Nachbarschaftslösung die Suchrichtung nicht verändert.
• "Aspiration by Influence": Sollte eine Nachbarschaftslösung mit "geringem
Einfluss" auf tabu gesetzt sein, während eine Nachbarschaftslösung mit
"starkem Einfluss" ausgeführt wurde, kann der Tabu-Status der ersten Lö-
sung aufgehoben werden. Lösungen mit geringem (starkem) Einfluss füh-
ren zu jeweils relativ kleinen (großen) Ergebnisveränderungen.
Die Tabu-Suche kann als geordnete Hierarchie von Lang-, Mittel- und Kurz-
zeitgedächtnisfunktionen interpretiert werden49. Der interne Ablauf der Kurz-
zeitgedächtnisfunktion ist in Abbildung 3.3 zusammengefasst und basiert auf
dem um das Aspirationskriterium erweiterten oben dargestellten Grobschema.
Das Kurzzeitgedächtnis versucht, durch eine geeignete Auswahl von Nach-
barschaftslösungen den Optimierungsprozess schnell und effizient zu den lo-
kalen Optima zu führen und ihn dann aus diesen Optima durch Setzen
einiger Schritte auf tabu in neue Richtungen zu lenken. So werden neue
Lösungsbereiche erschlossen und neue zulässige Lösungsfolgen generiert50.
Das Lang- und Mittelzeitgedächtnis wird durch das "statische" oder "dynami-
47
Vgl. PHAM, D. / KARABOGA, D. (2000), S. 9-10
48
Es gilt z.B. für den Fall, dass ein tabu gesetzter Zug zur Verbesserung der globalen Lösung oder der
Lösung der letzten t Iterationen führt
49
Vgl. GLOVER, F. (1990), S. 367
50
sche Tabu-Listen-Management" realisiert, das die Entscheidungen über die

Auswahl der tabu zu setzenden Nachbarschaftslösungen und der Dauer ihres
Tabu-Status festlegt. Beim statischen Tabu-Listen-Management werden in
jeder Iteration eine bestimmte Nachbarschaftslösung oder gewisse Elemente
dieser Lösung für eine feste Zeitdauer tabu gesetzt. Neben der definierten
Anzahl der tabu zu setzenden Lösungen kann die Tabu-Liste bei statischen
Steuerungsmethoden auch eine variable Dauer aufweisen. Diese hängt dann
von der Art der Problemstellung, der Größe des Problems oder der Nachbar-
schaft sowie von der Schärfe der Restriktionen ab51. Zusätzlich dazu definiert
man im Rahmen des statischen Tabu-Listen-Managements durch die
Auswertung der Informationen über den bisherigen Lösungsverlauf so
genannte "Intensivierungs- und Diversifizierungsstrategien". Mit ihrer Hilfe soll
die Suche in Erfolg versprechenden Bereichen des Ergebnisraums vertieft
oder auf neue Bereiche dieses Raums verlagert werden, um die lokalen
Optima zu verlassen oder neue attraktive Lösungen zu identifizieren. Beim
dynamischen Tabu-Listen-Management sollen Zyklen durch den Einsatz
verschiedener Techniken mit Sicherheit ausgeschlossen werden52.
In der Literatur wird in mehreren Arbeiten ausdrücklich auf die Relevanz und
Effizienz der Tabu-Suche bei der Optimierung von Flug- und Rotationsplänen
sowie bei der Lösung von Traveling-Salesman- und Vehicle-Routing-Proble-
men mit oder ohne Zeitfenster hingewiesen.53 Vorzüge wie ihr relativ einfa-
cher Aufbau und die wenig komplizierte Implementierung sowie die determi-
nistische und somit nicht zufällige Ergebnisauswahl und ein gutes Konver-
genzverhalten zeichnen diese Optimierungsmethode aus54 All diese Kriterien
begründen die Entscheidung für die Wahl der Tabu-Suche zur Lösung des in
der vorliegenden Arbeit entwickelten Fuzzy- und Marktmodell-basierten
Flugplanoptimierungsmodells.
3.3.3.3 Simulated Annealing

Simulated Annealing ist die stochastische Variante der lokalen Suchverfahren
zur Lösung kombinatorischer Optimierungsprobleme. Sie basiert auf der Ana-
logie zwischen dem Abkühlungsprozess der Moleküle eines Festkörpers und
51
Vgl. DOMSCHKE, W. / KLEIN, R. / SCHOLL, A. (1996), S. 6
52
Vgl. VOSS, S. (1993), S. 39ff.
53
Vgl. z.B. KNAUER, S. (2002); OSMAN, I. (1993); POTVIN J.-Y. / KERVAHUH, T. / GARCIA, B. (1996);
TAILARD, E. / BADEAU, P. / GENDREAU, M. et al. (1997); TAN, K. / LEE, L. / ZHU, Q. et al. (2001);
MASHFORD J. / MARDSJÖ, B. (2002); CHIANG, W.-C. / RUSSEL, R.A. (1997); LEIBOLD, K. (2001);
SEMET, F. / TAILARD, E. (1993)
54
Vgl. LEIBOLD, K. (2001), S. 165; HANAFI, S. (2000), S. 58
der Problemlösung kombinatorischer Optimierungsmodelle. In einer festen

Materie stehen die Moleküle in einem bestimmten räumlichen Verhältnis zu-
einander. Eine Erhöhung der Temperatur dieser Materie führt zur Erhöhung
der kinetischen Energie ihrer Moleküle, die sich nun beliebig neu ordnen kön-
nen, wodurch die alte räumliche Struktur der Materie aufgegeben wird. Eine
Abkühlung reduziert dagegen den Energiegehalt der Moleküle und führt zur
Bildung fester Strukturen. Die Gestalt dieser Strukturen hängt zudem vom
Verlauf des Kühlprozesses ab. Eine schnelle Kühlung kann Unregelmäßigkei-
ten und Defekte in der Materie verursachen, wohingegen eine langsame Küh-
lung regelmäßige Strukturen erzeugt55. Die Analogie zum Optimierungspro-
zess wird bei der Simulated-Annealing-Methode über drei Assoziationen
hergestellt: 1) die der Energiezustände mit zulässigen Problemlösungen, 2)
die des Übergangs zu einem neuen Energiezustand der Materie mit der
Auswahl der nächsten zulässigen Nachbarschaftslösung und 3) die des
Zustands des niedrigsten Energiegehalts, bei dem die Materie erstarrt, mit
dem Modelloptimum. Wenn man das Modell mit dem Simulated-Annealing-
Verfahren optimiert, beginnt man bei einem Zustand mit hoher Temperatur
und kühlt das System langsam ab. In jeder Temperaturhöhe wird bei Vorlie-
gen eines Minimierungsproblems der Übergang zu einer neuen molekularen
Struktur nur dann akzeptiert, wenn der Energiegehalt des Systems im neuen
Zustand geringer ist. Mit einer Wahrscheinlichkeit, die von der Anzahl der be-
reits durchgeführten Iterationen abhängt, werden allerdings Übergänge ak-
zeptiert, die zu einer Erhöhung des Energiegehaltes führen. Die Entwicklung
des Optimierungsprozesses bestimmt der Benutzer weitgehend durch die
Vorgabe einer monoton fallenden Abkühlungsfunktion.
Simulated Annealing wird in mehreren wissenschaftlichen Arbeiten zur Lö-

sung verschiedener kombinatorischer Probleme, unter anderem auch der
Flugplanoptimierungs- sowie der Vehicle-Routing-Probleme, angewandt 56 .
Dieses Verfahren wird allerdings nicht zu der Lösung des in dieser Arbeit ent-
wickelten Flugplanoptimierungsmodells herangezogen, da sein Rechenauf-
wand verhältnismäßig hoch ist und die Optimierungsergebnisse stark vom
definierten Abkühlungsplan abhängen.
3.3.3.4 Genetische Algorithmen

Genetische Algorithmen sind ebenso wie Simulated Annealing stochastische
55
Vgl. PHAM, D. / KARABOGA, D. (2000), S. 11-13
56
Vgl. z.B. KNAUER, S. (2002); WENDT, O. (1995); OSMAN, I. (1993); TAN, K. / LEE, L. / ZHU, Q. et al.
(2001); MASHFORD, J. / MARKSJÖ, B. (2002)
lokale Suchverfahren. In diesen Algorithmen wird dem Optimierungsprozess

der kombinatorischen Probleme eine Analogie zu selbst organisierenden bio-
logischen Evolutionsprozessen unterstellt, die sich durch sexuelle Reproduk-
tion, Mutation und Selektion auszeichnen. Die Reproduktion wird dabei als
Mischung und Diversifikation vom gutem genetischen Material definiert. Unter
Mutation und Selektion versteht man jeweils die langfristige Anpassung an
die veränderten Umweltbedingungen sowie den Erhalt lebensfähiger und
flexibler Populationen von Individuen. Der Analogieschluss zu Optimierungs-
problemen wird erreicht, indem man die Menge der zulässigen Modell-
lösungen durch die Population von Individuen und die Zielfunktionswerte die-
ser Lösungen durch die Fitness der Individuen ersetzt. Des Weiteren wird die
sexuelle Reproduktion mit den Suchoperatoren und Kombinationen benach-
barter Lösungen assoziiert und die Mutation durch zufällige Perturbation von
Lösungen dargestellt.
Auch die genetischen Algorithmen finden eine breite Anwendung auf dem
Gebiet der kombinatorischen Optimierung. Es existieren zahlreiche Beispiele
für den erfolgreichen Einsatz dieser Algorithmen zur Optimierung von Flug-
und Rotationsplänen sowie zur Lösung von unterschiedlich formulierten
Vehicle-Routing- und Traveling-Salesman-Problemen 57 . Wegen der offen-
sichtlichen Vorzüge der Tabu-Suche – hinsichtlich einer einfachen Implemen-
tierung – wird dieses Verfahren jedoch in der vorliegenden Arbeit nicht ange-
wandt.
57
siehe z.B. TAN, K. / LEE, L. / ZHU, Q. et al. (2001); BLANTON, L. / WAINWRIGHT, R. (1993); BRÄYSY,
O. (2001); FANG, H.L. (1994); HÜE, X. (1997); GROSCHE, T. / ROTHLAUF, F. / HEINZL, A. (2003);
THANGIAH, S. (1995); POTVIN, J. / BENGIO, S. (1996); WENDT, O. (1995)
79
Kapitel 4: Irregulärer Flugbetrieb

4.1 Einführung
Im Kapitel 3 wurden deterministische Modelle zur Flugplanoptimierung prä-
sentiert, die von einem stabilen und pünktlichen Flugbetrieb ausgehen. Diese
Modelle unterstellen Konstanz und Unveränderlichkeit der Planungsprämis-
sen bezüglich der Länge der Flug-, Boden- und Verbindungszeiten der Flüge
über die gesamte Flugplanperiode und suchen nach einer optimalen Flug-
planlösung für sichere und störungsfreie Umfeldzustände. Die Realität zeigt
jedoch, dass solch ein stabiler und ausnahmslos pünktlicher und zuverlässi-
ger Flugbetrieb in der Luftverkehrsindustrie nicht existiert. Wettereinwirkun-
gen, Eingriffe der Luftverkehrssteuerungszentralen sowie fehlerhafte Aktio-
nen der Fluggesellschaften oder Flughäfen verhindern oft die reguläre und
planmäßige Ausführung der Flugplanaktivitäten. Somit eignen sich die im Ka-
pitel 3 dargestellten deterministischen Modelle nur im eingeschränkten Maße
zur realitätsnahen und somit für die Airlines nützlichen Optimierung der Flug-
pläne.
In diesem Kapitel werden die Ursachen für Entstehung von Flugverspätungen

untersucht und die Entwicklung der Verspätungsstatistiken im Luftverkehr der
letzten zehn Jahre präsentiert. Anhand der in der modernen Literatur darge-
stellten Analysen von Verspätungskosten für Airlines und Passagiere werden
die gravierenden Folgen der Flugverspätungen für die Allgemeinheit skizziert
und die Notwendigkeit der expliziten Berücksichtigung der Unsicherheitsas-
pekte zur Minimierung dieser Folgen in der Planungs- und Optimierungspha-
se des Airline-Betriebs begründet. Ferner werden die möglichen
Reaktionsmaßnahmen der Airlines auf Flugverspätungen aufgezeigt und der
Stand der Forschung auf dem Gebiet der Berücksichtigung irregulärer Flug-
ereignisse in der Flugplanoptimierung präsentiert.
4.2 Entstehung, Entwicklung und Auswirkung von

Flugverspätungen
4.2.1 Irreguläre Ereignisse als Ursache von Flugverspätungen
Ein Flugereignis im weiteren Sinne setzt sich aus vielen Komponenten, an
denen sich mehrere Akteure beteiligen, zusammen: so werden vor einem
Flug die Passagiere und das Gepäck vom Flughafen- oder Airline-Personal
registriert und abgefertigt. Das Flugzeug wird gereinigt, betankt und in die
startbereite Position gebracht. Während des Fluges wird das Flugzeug von
80 Kapitel 4 Irregulärer Flugbetrieb
einer oder mehreren Flugsicherungszentralen geleitet. Nach der Landung

werden die Passagiere und die Crews empfangen und gegebenenfalls durch
die Grenz- und Zollkontrollen geführt usw. Es werden also sehr viele Prozes-
se angestoßen und von verschiedenen Organisationseinheiten ausgeführt. Im
Laufe der Ausführung dieser Prozesse, die zudem noch eines enormen Ko-
ordinationsaufwands bedürfen, können – bedingt durch menschliche oder
technische Fehler – Abweichungen vom planmäßigen Betrieb auftreten. Dar-
über hinaus werden die einzelnen Prozesskomponenten von Wetterbedin-
gungen beeinflusst, was ebenfalls zu einer Störung der erwarteten Abläufe
führen kann.
In vielen Fällen verursachen die so genannten unerwarteten irregulären Er-

eignisse 1 Abweichungen vom geplanten Flugbetrieb einer Fluggesellschaft
und wirken sich somit auch auf Einnahmen und Kosten aus. Eine der gravie-
renden Folgen der oben beschriebenen Irregularitäten sind die Flugverspä-
tungen. Sie definieren sich als Abweichung der tatsächlichen von der im
Flugplan publizierten Flugzeit. Man unterscheidet unabhängige und induzierte
Abweichungen: Die unabhängigen Verspätungen entstehen unmittelbar auf
einem Flugsegment, wohingegen die induzierten Verspätungen von den Flug-
zeugrotationen abhängen und durch die Abweichungen der vorgelagerten
Flüge einer Rotation vom planmäßigen Betrieb verursacht werden. Je nach-
dem in welcher Phase des Flugereignisses die Verspätung aufgetreten ist,
spricht man von Abflugs-, Ankunfts-, Taxi- und En-Route-Verspätungen. Die
Abflugs- und Ankunftsverspätungen sind auf die Verzögerungen der Start-
oder Landevorgänge zurückzuführen. Eine Taxi-Verspätung entsteht wäh-
rend das Flugzeug vom oder zum Flugsteig gefahren wird. Die En-Route-
Verspätung kommt während des eigentlichen Fluges zustande.
Die genauen Gründe für die Entstehung von Verspätungen sind vielfältig und
häufig auf die Verkettung verschiedener Faktoren zurückzuführen. Nach dem
offiziellen IATA-Kriterienkatalog können Flugverspätungen 78 potenzielle Ur-
sachen haben, die sich in elf verschiedene Kategorien gliedern2. Grundsätz-
lich können Verspätungen danach unterschieden werden, ob sie von den
Fluggesellschaften, Flughäfen, Verkehrssteuerungsdiensten oder anderen
Organisationen verschuldet wurden. Laut Eurocontrol, der europäischen
Flugverkehrssteuerungszentrale, werden in Europa ca. 40% aller Verspätun-
1
Einige Autoren verstehen unter irregulären Ereignissen nur solche unerwarteten Ereignisse, die zu einer
signifikanten Abweichung vom ursprünglichen Flugplan führen und ein Re-Scheduling notwendig machen.
Siehe z.B. Clarke, M.D.D. (1995), S. 7
2
Siehe Standard IATA Delay Codes
Kapitel 4 Irregulärer Flugbetrieb 81
gen durch die Airlines verursacht3, weitere ca. 30-40% werden von der Ver-
kehrssteuerung wegen Kapazitätsproblemen in der Luft oder an den Flughä-
fen ausgelöst. Der Rest von ca. 20% geht auf das Konto anderer Beteiligter
(z.B. Flughafen, Bodendienste, Catering)4. Abbildung 4.1 zeigt die Verteilung
der Flugverspätungen differenziert nach den verursachenden Organisations-
einheiten, so wie dies in der von Eurocontrol in Auftrag gegebenen Studie
kalkuliert wurde.
Verursacher
Verursacher von
von Flugverspätungen
Flugverspätungen
21% 42% 100%
21%
6% 58%
29%
12%
11%
Airline Flughafen Verkehrs- Sonstige Un- Airline Verkehrs- Induzierte Gesamt

steuerung abhängige steuerung Verspätung
Verspätung
Abbildung 4.1: Verursacher von Flugverspätungen (Quelle: ITA-Studie (2000))
Wie aus Abbildung 4.2 hervorgeht5, stellen ungünstige Wetterbedingungen

die primäre Ursache der von der Verkehrssteuerung verursachten Verspätun-
gen dar. Die Kapazitätsprobleme der Verkehrsinfrastruktur, d.h. an den Flug-
häfen und in der Luft, sind für ca. 46% der von der Verkehrssteuerung ausge-
lösten Flugverspätungen verantwortlich.
3
Vgl. EUROCONTROL (2004)
4
AEA (Association of European Airlines), eine Organisation, die die Interessen europäischer Fluggesell-
schaften vertritt, publiziert jedoch eine andere Statistik von Verspätungsursachen: Danach werden ca. 70%
der Verspätungen von der Flugsicherung und den Flughäfen verursacht. (Vlg. AEA (2000), S. 1-11)
5
Zu den Ursachen der Flugverspätungen siehe etwa: WU, C-L (2003), S. 2; AGEEVA, Y (2000), S. 25;
EVANS A.D / CLARKE J-P (2002), S. 18; SHAVELL Z.A. (2000), S. 1; SAUTER-SERVAES, T. / RAMMLER,
T. (2000), S. 7ff; MORIN, M. (2001), S. 21; CORNELIUS, S. (1994), S. 24; LÜKING, J. (1993), S. 152;
CLARKE, M.D.D. S. 7; THENGVALL, B. G. / BARD, J. F. / YU, G. (2000), S. 181
Personal und
Ausrüstung der
Verkehrs- Sonstige
steuerung
1%
12%
Restriktionen der Wetter
Nachfrage-
kapazität in der 19%
40%
Luft
27%
Flughafen-
restriktionen
Abbildung 4.2: rUsachen für die von der Verkehrssteuerung ausgelösten Flugverspätun-
gen (Quelle: EU
ROCONTROL (2004), S.15)
Abgesehen von den nicht beeinflussbaren Faktoren sind die Netzwerkpla-

nung und -steuerung, Crew- und Flugzeugverfügbarkeit sowie die Ineffizien-
zen der Bodenprozesse und der Passagierabfertigung6 die wichtigsten Ursa-
chen für Flugverspätungen seitens der Fluggesellschaften. Unter der für das
Entstehen der Verspätungen verantwortlichen Netzwerkplanung versteht man
eine Planung mit sehr knappen Flugumläufen, d.h. sehr kurze Zeitabstände
zwischen den aufeinander folgenden Flügen 7 . Werden die Umsteigezeiten
zwischen den ankommenden und abfliegenden Maschinen zu knapp berech-
net, treten häufig Abflugsverspätungen auf Grund von Verspätungen der an-
kommenden Flüge auf. Dies passiert, weil die Vorbereitung eines Flugzeuges
auf seinen nächsten Abflug aus technischen Gegebenheiten eine Mindest-
rüstzeit, die so genannte Turnaround-Time (TAT), benötigt. Ist der geplante
Zeitabstand zwischen den aufeinander folgenden Flügen kleiner als die not-
wendige Vorbereitungszeit des Fluggeräts plus die Ankunftsverspätung, ver-
zögert sich das Abflugsereignis zwangsläufig. Es entsteht also eine induzierte
Abflugsverspätung. Abbildung 4.3 verbildlicht diesen Sachverhalt. Gelingt es
nach dem verspäteten Eintreffen eines Flugzeuges an einem Flughafen nicht,
6
Vgl. BOOZ-ALLEN & HAMILTON (2001), S. 5
7
Vgl. BUNSE, T. (2000), S. 93
die entstandene Verspätung durch schnelles Ent- und Beladen der Maschine
sowie durch einen schnelleren Flug auszugleichen, folgen weitere Ankunfts-
und Abflugsverspätungen. Die einzelnen Verspätungen akkumulierten sich
mit dem Ergebnis, dass die Flüge zu späteren Tageszeiten eine sehr hohe
Gesamtverspätung aufweisen können8. Solch ein Akkumulierungseffekt tritt
insbesondere in den im Abschnitt 2.4.3 dargestellten Hub-and-Spoke-Netz-
werken auf.
FRA BER AMS FRA
Planmäßige
Flugzeit Bodenzeit Flugzeit Bodenzeit Flugzeit
Rotation
Rotation mit Flugzeit Bodenzeit Flugzeit Bodenzeit Flugzeit

Verspätungen
Ankunfts- Abflugs- Zusätzliche Gesamt-

verspätung verspätung Verspätung verspätung
Abbildung 4.3: Entstehung von Abflugsverspätungen, Propagation von Verspätungen
Die durch die Deregulierung und Liberalisierung der Luftverkehrsmärkte aus-

gelöste Umstrukturierung der Airline-Netzwerke zu Hub-and-Spoke-Netzwer-
ken9 bedingte unter anderem einen rapiden Anstieg der Flugverspätungen10.
Ursachen hierfür waren die mit der Bündelung der Verkehre einhergehende
Störanfälligkeit der Flugpläne und die knappe Infrastrukturkapazität.
Wie im Abschnitt 2.4.3 dargestellt, werden in Hub-and-Spoke-Netzwerken zu-

nächst die Passagiere aus allen Richtungen an einen zentralen Hub-Flugha-
fen geflogen, um von dort aus in gebündeltem Verkehrsströmen zu ihren
eigentlichen Zieldestinationen verteilt zu werden. Die Flugzeuge treffen dabei
in kurzen Zeitabständen im Hub ein und starten wieder, sobald die Abferti-
gung des letzten Zubringer-Fluges abgeschlossen ist. Solch eine Vorge-
hensweise führt zu einer sehr starken zeitlichen Ballung des
Flugaufkommens an einem Flughafen binnen einiger wenigen Stunden und
führt somit zur Entstehung und auf Grund der Verknüpfungen zwischen Pas-
sagieren, Gepäck, Crews und Flugzeugen auch zu einer starken Vermehrung
von Verspätungen.
8
Vgl. LÜKING, J. (1993), S. 300
9
Siehe Abschnitt 2.3.3.1
10
Vgl. CORNELIUS, S. (1994), S. 58; LÜKING, J. (1993), S. 74
Die Planung von kurzen Zeitabständen zwischen den Flugereignissen in den

Flugzeugrotationen resultiert aus dem Bestreben der Fluggesellschaften, die
Flottenproduktivität zu steigern und dadurch erhebliche Kostensenkungs-
potenziale zu realisieren11. Die Kosteneinsparungen ergeben sich dabei aus
dem längeren Einsatz der Flugzeuge an einem Tag und der dadurch kleine-
ren Anzahl der für die Ausführung eines Flugplans benötigen Flugzeuge. Ein
anderer wichtiger Grund für die Kalkulation und Planung von kurzen Boden-
und Pufferzeiten seitens der Fluggesellschaften ist das Ziel, die Gesamtflug-
zeit der Transferverbindungen zu verringern und somit die Attraktivität und
Wertigkeit dieser Verbindungen für die Kunden zu steigern. Dabei hängt die
Wertigkeit von der Position ab, auf der die jeweilige Transferverbindung in
den Computerreservierungssystemen (CRS) erscheint. Diese Position wird in
Abhängigkeit von der Gesamtreisezeit bestimmt. Solch eine Zielsetzung und
die damit verbundene Netzwerkplanung gewinnt bedingt durch den intensiven
Wettbewerb auf den Luftverkehrsmärkten immer stärker an Bedeutung.
Es wird allerdings oft vergessen, dass die durch den Versuch die Flottenpro-
duktivität und Verbindungsattraktivität zu verbessern ausgelöste Planung zu
erheblichen Verspätungskosten im Fall des Eintretens der irregulären Ereig-
nisse führen kann12. Das in dieser Arbeit zu entwickelnde Modell berücksich-
tigt die relevanten Verspätungskosten und generiert einen Flugplan, der
sowohl in Bezug auf die Passagierumsätze als auch auf die eventuellen ne-
gativen monetären Konsequenzen der Flugverspätungen optimal ist.
Wie bereits erwähnt, stellt die beschränkte Kapazität der Luftverkehrsinfra-

struktur, insbesondere der Flughäfen, eine zusätzliche Ursache für Flugver-
spätungen dar13. Da der mit der Deregulierung des Luftverkehrs einhergehen-
de enorme Nachfrageschub nach Luftverkehrsleistungen von einem relativ
geringen Kapazitätswachstum begleitet wurde14, entstand in den letzten Jah-
ren auf vielen Flughäfen sowie anderen Systemeinheiten ein großes Überlas-
tungsproblem, das direkt oder indirekt zu einem deutlichen Anstieg der
Anzahl der Flugverspätungen beitrug15. Der nächste Abschnitt behandelt aus-
führlich die Dynamik der Flugverspätungen in Europa und den USA.
11
Laut Airports International (2000) führt eine beim unproduktiven Warten eines Flugzeugs an einem Flugha-
fen eingesparte Minute zu jährlichen Kosteneinsparungen von ca. einer Million USD
12
13
Vgl. CORNELIUS, S. (1994), S. 25
14
Vgl. BERSTER, P. (1996), S. 41; CORNELIUS, S. (1994), S. 9
15
Vgl. LÜKING, J. (1993), S. 83-93
4.2.2 Entwicklung der Flugverspätungen

Bei der Darstellung und Analyse der publizierten Verspätungsstatistiken wird
ein Flug meistens nur dann als verspätet registriert, wenn seine planmäßige
Flugzeit um mehr als 15 Minuten überschritten wird16. Dieser Schwellenwert
wird damit begründet, dass die Passagiere mit kurzen Verspätungen immer
rechnen müssen und somit solche Verspätungen nicht als eine besondere
Belastung angesehen werden17.
Die Abbildungen 4.4 und 4.5 zeigen die Entwicklung der so genannten 15-
Minuten-Flugverspätungen, die entsprechend der oben beschriebenen Vor-
gehensweise berechnet werden, in Europa und den USA sowie die Entwick-
lung der durchschnittlichen Länge einer Flugverspätung pro Flugbewegung.
Man erkennt aus diesen Abbildungen, dass ca. 20% aller Flüge eine nicht zu
vernachlässigende Verspätung aufweisen. Der Prozentsatz der von den Ver-
spätungen betroffenen Flüge sowie die durchschnittliche Länge einer Verspä-
tung im europäischen Luftraum ist deutlich höher als der Wert dieser Kenn-
zahlen in den USA. Dies wird begründet durch die geringere Grenzauslas-
tung der Luftverkehrsinfrastruktur sowie die bessere Arbeitseffizienz der Ver-
Prozentsatz der 15-min Abflugsverspätungen in Europa und USA, [%]
35%
30%
25%
20%
15%
10%
5%
0%
1995 1996 1997 1998 1999 2000 2001 2002 2003 2004
Europäische Fluggesellschaften US-amerikanische Fluggesellschaften
Abbildung 4.4: Prozentsatz der 15-min Abflugsverspätungen in Europa und den U SA

(Quelle: Eurocontrol CODA Berichte 1996-2004, Eurocontrol CFMUJahresbericht 2003,
AEA Yearbook 2003, Bureau of Transportation Statistics)
16
Vgl. SAUTER-SERVAES, T. / RAMMLER, T. (2000), S. 4
17
Vgl. LÜKING, J. (1993), S. 153
Durchschnittliche Länge einer Verspätung pro Flug in Europa und USA, [Min.]
18
16
14
12
10
8
6
4
2
0
1995 1996 1997 1998 1999 2000 2001 2002 2003 2004
Europäische Fluggesellschaften US-amerikanische Fluggesellschaften
Abbildung 4.5: Durchschnittliche Länge einer Flugverspätung pro Flug in Europa und den
S
UA (Quelle: Eurocontrol CODA Berichte 1996-2004, Eurocontrol CFMUJahresbericht
2003, AEA Yearbook 2003, Bureau of Transportation Statistics)
kehrssteuerung in den USA bzw. durch die zum Teil unterschiedliche Metho-
dologie der Datenerfassung und -analyse von Seiten der zuständigen statisti-
schen Ämter in beiden Luftverkehrssystemen. Ein deutlicher Anstieg der Zahl
sowie der Länge der Verspätungen in Europa im Jahre 1999 wird durch die
von der Kosovo-Krise ausgelöste Kapazitätsreduktion in der Luft und am Bo-
den sowie durch die Umstrukturierung von Teilen des Luftraums über Frank-
reichs und der Schweiz erklärt18. Wie Abbildung 4.6 zeigt, ist auch der abso-
lute Betrag der gesamten Verspätungsminuten in Europa deutlich höher als
in den USA bedingt durch die größere Anzahl der Flüge sowie die durch-
schnittliche Verspätung pro Flugbewegung in Europa. Sowohl in Europa als
auch in den USA ist ab dem Jahr 1999 ein kontinuierlicher Rückgang der
Flugverspätungen zu verzeichnen. Dieser ist einerseits auf die Verbesserung
der Systeme und Prozesse der Luftverkehrssteuerung und andererseits auf
die verschärfte Wahrnehmung der Verspätungsproblematik und die daraus
resultierende Implementierung der Maßnahmen zur Pünktlichkeitsverbes-
serung bei den Airlines zurückzuführen. Die Reduktion des Gesamteffekts
der Flugverspätungen ist für Passagiere und Airlines jedoch deutlich geringer
ausgefallen als der beobachtete Rückgang der Verspätungsminuten. Grund
18
Vgl. SAUTER-SERVAES, T. / RAMMLER, T. (2000), S. 5
hierfür ist die Steigerung der Anzahl der Transferpassagiere sowie der Stor-
nierungsrate der Flüge und der durchschnittlichen Flugauslastung19.
Gesamtzahl der Flüge und gesamte Abflugs- Gesamtzahl der Flüge und gesamte Abflugs-
verspätung in den USA verspätung in Europa
6,0 6,5 8,1 8,5 8,4 8,5

5,7 7,7 8,2
5,4 5,4 5,5
5,3 7,3 133,7
62,0 119,2 116,0
99,8 97,2
50,2
47,3 46,8 80,7
43,8 76,4
33,5
28,8
1997 1998 1999 2000 2001 2002 2003 1997 1998 1999 2000 2001 2002 2003
Gesamtzahl der Flüge, [Mio. Flüge]

Gesamte Abflugsverspätung [Mio. Minuten]
Abbildung 4.6: Gesamtzahl der Abflugsverspätungsminunten sowie Gesamtzahl der Flüge

in Europa und den SUA (Quelle: Eurocontrol CODA Berichte 1997-2003, Eurocontrol
CFMUJahresbericht 2003, AEA Yearbook 2003, Bureau of Transportation Statistics)
4.2.3 Alternative Reaktionsmöglichkeiten der Fluggesellschaften auf

Flugverspätungen
Wie im vorherigen Abschnitt dargestellt, weist ein relativ hoher Anteil der Flü-
ge eine Verspätung auf. Zur Reduzierung der negativen Folgen von Flugver-
spätungen20 ergreifen die Fluggesellschaften verschiedenartige Maßnahmen.
In Anhängigkeit von der zeitlicher Ausrichtung unterscheidet man dabei takti-
sche und strategische Reaktionsmaßnahmen.
4.2.3.1 Taktische Reaktionsmaßnahmen auf die Flugverspätungen

Nach dem Auftreten einer Flugverspätung versuchen die Airlines mit Hilfe von
kurzfristigen Maßnahmen, den Flugbetrieb schnellstmöglich wieder in den
planmäßigen Zustand zu überführen. Dazu sind bei den Fluggesellschaften
spezielle Organisationseinheiten, so genannte "Airline Operations Control
19
Vgl. BARNHART, C. / BRATU, S. (2001), S. 22
20
Center" (AOCC),21 eingerichtet, die in enger Kooperation mit Stationskontroll-

und Flugzeugwartungszentren und mit Hilfe von quantitativen Operations Re-
search Tools schnelle taktische Aktionen zur Wiederherstellung des planmä-
ßigen Betriebs und zur Beseitigung von Verspätungsfolgen entwickeln sowie
ihre Durchführung überwachen. Je nach Länge der eigentlichen Flugverspä-
tung und in Abhängigkeit von bestehenden operationellen Restriktionen ha-
ben die Airlines folgende taktische Optionen für eine Reaktion auf die Verspä-
tungen22:
a. Verspätung der Anschlussflüge. Weist ein Flug eine relativ geringe

Verspätung auf und befinden sich auf diesem Flug viele Transferpassagiere,
so kann es sinnvoll sein, die mit diesem Flug in Verbindung stehenden An-
schlussflüge absichtlich verspätet starten zu lassen. Dies ist selbst-
verständlich nur dann möglich, wenn für die verspäteten Startereignisse freie
Slots zur Verfügung stehen. Ist dies nicht der Fall, kann alternativ, wie in Ab-
bildung 4.7 dargestellt, ein Tausch der Abflugszeiten verschiedener Flüge
vorgenommen werden.
Verspätung des Anschussfluges Tausch der Abflugszeiten
MUC
MUC PRG
rsp che
ng
Ve ichtli
ätu
MCT
s
MCT
Ab
FRA FRA
MCT MCT
g
g
un
un
ät
ät
sp
sp
r
r
Ve
Ve
NYC NYC
Abbildung 4.7: Taktische Option Nr. 1 –Verspätung der Anschlussflüge
b. Änderung der Flugzeugrotationen. Liegt eine Verspätung vor und be-

findet sich am Zielflughafen des verspäteten Fluges ein anderes typ-gleiches
oder -ähnliches Flugzeug, das zeitlich nah an der nächsten planmäßigen Ab-
flugszeit des verspäteten Fluges starten soll, kann eine Fluggesellschaft als
21
Vgl. CLARKE, M.D.D. (1997a), S. 4 ff.
22
Vgl. MORIN, M. (2001), S. 22-23; EVANS A.D / CLARKE J-P (2002), S. 57ff.
Reaktion auf die entstandene Verspätung die Flugsegmentzuordnung in den

Rotationen beider Flugzeuge umtauschen. Dadurch wird die Verspätung ent-
weder vollständig eliminiert oder zumindest teilweise reduziert. Abbildung 4.8
verbildlicht diese Option.
FRA FRA
Verspätung
MUC MUC
PAR PAR
Tageszeit Tageszeit
Planmäßiger Flug
Verspäteter Flug
Abbildung 4.8: Taktische Option Nr. 2 –Rotationstausch zur Reduzierung der Flugverspä-
tung
c. Einsatz eines Ersatzflugzeuges. Ist die Verspätung so groß, dass der

planmäßige Betrieb nicht mit den für die operative Ausführung des Flugplans
eingeplanten Flugzeugen weitergeführt werden kann, können die Airlines den
Einsatz eines Ersatzflugzeuges als alternative Option zur Beseitigung der
Verspätungsfolgen in Erwägung ziehen. Das Ersatzflugzeug wird an den
Zielort des verspäteten Flugzeuges gebracht und führt den Flug aus, den das
verspätete Flugzeug ausführen sollte. Diese Option ist allerdings mit hohen
zusätzlichen Kosten verbunden23.
d. Stornierung eines Fluges. Beim Vorliegen einer großen Verspätung

kann es auch sinnvoll sein, die Flüge mit relativ niedriger Priorität24 zu stor-
nieren, um die Verspätung der anderen Flüge zu vermeiden oder zu vermin-
dern. Die Reduzierung der Verspätung der aus Netzwerk- und
23
24
z.B. Flüge zwischen den Außenstationen eines Netzwerkes oder Flüge mit niedrigem Sitzladefaktor
Unternehmenssicht wichtigeren Verbindungen25 erfolgt dann durch die Allo-

kation der Ressourcen26 der annullierten Flüge.
e. Umleitung eines Fluges. Droht eine temporäre Schließung des vorgese-

henen Zielflughafens eine starke Flugverspätung zu verursachen, können die
Airlines mit einer Flugumleitung über einen anderen Flughafen auf solch ein
irreguläres Ereignis reagieren.
4.2.3.2 Strategische Reaktionsmaßnahmen auf die Flugverspätungen

Außer durch Ergreifen taktischer Aktionen mit kurzfristiger Wirkung versu-
chen die Fluggesellschaften, das Ausmaß der Flugverspätungen und die da-
raus resultierenden negativen Konsequenzen zu minimieren, indem sie ihre
Erfahrungen mit dem irregulären Flugbetrieb in die strategische Planung ein-
fließen lassen. Folgende strategische Maßnahmen kommen dafür in Be-
tracht27:
a. Reduktion der Flugzahl von und zu einem Flughafen. Resultieren die
Flugverspätungen aus der ineffizienten Leistung oder aus Kapazitätsproble-
men eines Flughafens sowie aus den in der Nähe eines Flughafens vor-
herrschenden ungünstigen Witterungsbedingungen, kann die Reduktion der
Anzahl der Flüge von und zu diesem Flughafen die Zahl von Flugverspätun-
gen verringern. Die annullierten Flüge können alternativ entweder von einem
anderen Flughafen aus angeboten oder durch Transferverbindungen ersetzt
werden.
b. Flottenharmonisierung. Besteht das Netzwerk einer Fluggesellschaft

aus einer Vielzahl häufig bedienter Flugstrecken mit ähnlicher Distanz, er-
möglicht das Vorhandensein einer homogenen Flugzeugflotte einen un-
komplizierten kurzfristigen Rotationstausch als taktische Reaktionsmaß-
nahme auf die Flugverspätungen. Eine stärkere Flottenharmonisierung ist
somit eine strategische Entscheidung mit langfristigen Wirkungseffekten, die
kurzfristige Reaktionen auf die Flugverspätungen unterstützt.
c. Verbesserung der Arbeitseffizienz der Bodendienste. Der strategische

Fokus einer Airline-Unternehmung kann auf die Reduktion der verspätungs-
bedingten Kosten durch Effizienzsteigerung der Bodendienste gerichtet sein.
Die Arbeitseffizienz der Bodendienste kann z.B. durch schnellere und schlan-
25
z.B. internationale oder interkontinentale Flüge, Flüge zum Hub-Flughafen oder Flüge mit hoher Passa-
gierzahl
26
z.B. das Flugzeug und die Crew
27
Vgl. EVANS A.D. / CLARKE J.-P. (2002), S. 64ff.
kere Prozesse sowie mit Hilfe moderner IT-Systeme verbessert werden.
d. Planungs- und Strukturanpassungen. Antizipieren die Fluggesellschaf-

ten das Auftreten von Irregularitäten im Flugbetrieb in den nächsten Flugplan-
perioden, versuchen sie, deren negative Auswirkungen durch Anpassung der
Ressourcenplanung sowie der Ressourcenstruktur zu reduzieren. Zu solchen
Planungsanpassungen gehört z.B. eine absichtliche Ausdehnung der Plan-
flugzeiten sowie der Verbindungs- bzw. Wartezeiten zwischen zwei Flügen
einer angebotenen Transferverbindung. Verbunden mit der Anpassung der
Flug- und Wartezeiten sind Erhöhungen der geplanten und für die Ausfüh-
rung eines Flugplanes notwendigen Anzahl der Flugzeuge und Crews. Eine
andere Art der strategischen Planungs- und Strukturanpassung, die aus den
aktuellen Kapazitäts- und Verspätungsproblemen im Luftverkehr resultiert, ist
eine besondere Flugplanungstechnik, die als "De-Peaking" bezeichnet wird.
Mit dieser Technik versucht man, durch die Glättung der Wellenprofile eines
Hub-Flughafens eine gleichmäßige Ressourcenverteilung zu erzielen und so-
mit einen kostengünstigeren Betrieb zu ermöglichen.
American Airlines, DFW, Sommer 2002 American Airlines, DFW, Sommer 2003
Herausgehende Herausgehende
Flüge Flüge
Tages- Tages-
zeit zeit
Ankommende Ankommende
Flüge Flüge
Abbildung 4.9: Hub-Struktur von American Airlines in Dallas/Fort Worth vor und nach dem
De-Peaking (Quelle: OAG Weltflugpläne, eigene Berechungen)
Wie im Abschnitt 2.4.3 dargestellt, werden in einem Hub die meisten Airline-
und Airport-Ressourcen28 innerhalb kurzer Zeitabstände konzentriert, was zur
Steigerung der operativen Kosten während dieser Zeiten sowie zu einer er-
28
z.B. Flugzeuge, Crews, Gates, Bodenpersonal, Check-In-Service
höhten Störanfälligkeit des Flugplans führt. Um das Auftreten solcher Effekte

zu vermeiden, wird im Rahmen des De-Peakings die Wellenstruktur eines
Hubs vollständig oder teilweise aufgegeben29. Anstatt der Bildung eines klar
definierten Wellenmusters verwischt man die Wellen und verteilt die Flüge
relativ gleichmäßig über den Tag. Abbildung 4.9 demonstriert die Unterschie-
de in der Hub-Struktur vor und nach dem De-Peaking. Die Hub-Umstruktu-
rierung muss nicht notwendigerweise mit der Reduktion der Anzahl der
qualitativen Transferverbindungen einhergehen, die eine Airline aufbauen
und verkaufen kann30. Im Gegenteil: Wird bei der Neuverteilung der Zeiten-
lagen der Flüge auf die Direktionalität und die Verbindungszeit geachtet, kann
die Anzahl der Transferverbindungen beibehalten oder sogar gesteigert wer-
den.
American Airlines hat als erste Fluggesellschaft im Jahr 2002 die De-
Peaking-Strategie an ihren beiden Hub-Flughäfen Chicago (ORD) und Dal-
las/Fort Worth (DFW) implementiert. Danach haben auch andere amerikani-
sche und europäische Fluggesellschaften ihre Flugpläne entsprechend dieser
Strategie umgestaltet. So reduzierte die Lufthansa im Sommer 2004 gegen-
über dem Sommer 2003 die Höhe der Inbound- und Outbound-Wellen in
Frankfurt um ungefähr 5% bzw. 10%. Als Ergebnis sanken die Passagier-,
Personal- und Flugzeugkosten. Die Pünktlichkeit stieg um ca. 5%. Die Ver-
spätungskosten konnten signifikant reduziert werden31.
4.2.4 Auswirkungen der Flugverspätungen aus Sicht der

unterschiedlichen Beteiligten
Nachdem die Ursachen für die Entstehung und die Propagation von Verspä-
tungen erläutert sowie Reaktionsmöglichkeiten der Fluggesellschaften darge-
stellt wurden, sollen nun die Folgen für die Fluggesellschaften und die Passa-
giere betrachtet werden.
4.2.4.1 Auswirkungen der Flugverspätungen auf die Fluggesellschaften

Die durch die irregulären Ereignisse hervorgerufenen Flugverspätungen, die
sich kumulativ über das gesamte Netzwerk propagieren, führen nicht nur zu
einer direkten Steigerung der operativen Kosten der Airlines, sondern verur-
sachen signifikante Opportunitätskosten. Neben den negativen kostenseiti-
29
Vgl. ZHANG, Y. / MENENDEZ, M. / HANSEN, M. (2003), S. 3
30
Vgl. KLINGENBERG, C. (2004), S. 10-11
31
Vgl. KLINGENBERG, C. (2004), S. 10-11; S. 13, LUFTHANSEAT (2003)
gen Effekten besteht die Gefahr von einerseits Umsatzminderungen auf

Grund der intra- und intermodalen Kundenabwanderung32 sowie andererseits
der Reduktion der Durchschnittserträge. Im Folgenden soll überlegt werden,
wie sich die Verspätungskosten zusammensetzen, die bei den Fluggesell-
schaften anfallen, und welchen möglichen Verlauf die Verspätungskosten-
funktion aufweist.
Es erscheint logisch, dass die im Airline-Netzwerk entstandenen Verspä-

tungskosten einer nicht linearen Funktion in Abhängigkeit von der eigentli-
chen Verspätungsdauer folgen. So verursacht z.B. eine fünfzigminütige Flug-
verspätung wesentlich mehr Kosten als fünfzig einminütige Verspätungen.
Dies resultiert daraus, dass bei der fünfzigminütigen Verspätung deutlich
mehr planmäßige Bodendienste gestört sowie mehr Crew- und Passagierrou-
ten auseinander gerissen werden. Es ist allerdings auch denkbar, dass die
Verspätungskosten nach einer bestimmten Verspätungsdauer wieder abneh-
men. Es ergibt sich aus der Reaktion der Fluggesellschaften, die diverse Re-
aktionsmaßnahmen ergreifen, um die Verspätungsfolgen zu minimieren. Ab-
bildung 4.10 illustriert den möglichen Verlauf der Verspätungskostenfunktion.
Kosten pro
Verspätungs-
minute
Verspätung, [Min.]
10 20 30 40 50 60 70 80 90 100 110
Abbildung 4.10: Möglicher Verlauf der Verspätungskostenfunktion
Nimmt man zusätzlich an, dass die Fluggesellschaften einige Flüge absicht-
lich verspäten, damit diese an einem Hub-Flughafen nicht ungünstig mitten in
einer Abflugswelle ankommen, führt dies dazu, dass die Verspätungs-
kostenfunktion nicht nur nicht linear, sondern auch nicht monoton verläuft33.
32
Vgl. KNORREN NICHOLS, W. / KUNZ, M. (1999), S. 62-64
33
Vgl. GILLEN, D. / HANSEN, M.M. / DJAFARIAN-TEHRANI, R. (2001), S. 2
Die Verspätungskosten sind kombinatorischer Natur. Denn, wie bereits an

mehreren Stellen dargestellt, hängt das Ausmaß des verspäteten Flugbe-
triebs für das Gesamtnetzwerk einer Airline nicht nur von der Verspätungs-
dauer einzelner Flüge, sondern auch von den Interdependenzen zwischen
den Verspätungen mehrerer Flüge ab. Dies macht sich insbesondere in den
Hub-and-Spoke-Netzwerken bemerkbar, in denen die Flüge in Wellen ge-
bündelt und zu Transferverbindungen zusammengeführt werden. Erfahren
alle Flüge einer Ankunftswelle die gleiche Verspätung, ist der sich ergebende
negative Effekt wegen der gleich gebliebenen wechselseitigen Abhängig-
keiten zwischen den Flügen vermutlich kleiner, als wenn die Verspätungs-
dauer dieser Flüge unterschiedlich ausfallen würde.
Die Verspätungen können durch das antizipative Verhalten der Fluggesell-

schaften und die damit verbundenen Flugplananpassungen zu erheblichen
Opportunitätskosten führen. Denn um einen Flugplan robuster und resistenter
gegen die Verspätungen zu gestalten, implementieren die Airlines oft eine
Reihe von Maßnahmen, die sich direkt oder indirekt auf die operative Kosten-
basis auswirken. Solche Maßnahmen sind z.B. bewusste Verlängerung der
geplanten Flugzeiten bzw. Einfügung von Zeitpuffern, Einplanung und Hal-
tung von zusätzlichen Flugzeugen, Crews und Bodenpersonal. Diese Maß-
nahmen reduzieren zwar die Kosten im Fall des Eintretens einer Flugverspä-
tung, sie erhöhen die laufenden operativen Kosten jedoch signifikant. Die
Verspätungen instrumentalisieren sich somit nachhaltig in der gesamten Kos-
tenstruktur einer Fluggesellschaft und wirken sich auch beim planmäßigen
Flugbetrieb negativ auf die Ertragssituation aus.
Basierend auf den obigen Überlegungen und unter Berücksichtigung aller

möglichen Verspätungsfolgen für die Airlines und die Passagiere lassen sich
mehrere Kategorien von Verspätungskosten für Fluggesellschaften herleiten
und zusammenfassen 34 . Folgende potenzielle Kostenarten entstehen oder
erhöhen sich als Folge von Flugverspätungen. Abbildung 4.11 detailliert die
einzelnen Kostenarten.
a. Operative Flugzeugkosten entstehen beim Durchführen eines Fluges

mit einem Flugzeug. Bei einer Flugverspätung erhöhen sich diese Kosten z.B.
wegen des erhöhten Treibstoffverbrauchs35, der zu zahlenden Parkgebühren
34
Vgl. ITA (2000), S. 8; MORIN, M (2001), S. 106
35
1999 hat Lufthansa ca. 100.000 Tonnen Kerosin durch das Warten in Warteschlangen sowie durch höhere
Fluggeschwindigkeiten verbraucht, die notwendig waren, um Verspätungen zu reduzieren. Dies verursachte
zusätzliche Kosten von ca. einer Million D-Mark pro Tag
sowie wegen des durch den Mehreinsatz des Fluggeräts verursachten zu-
sätzlichen Reparaturaufwandes. Die Erhöhung der operativen Flugzeugkos-
ten resultiert unter anderem auch aus einer nach einer Flugverspätung oft
notwendigen Re-Positionierung des Flugzeuges an einen anderen Flughafen.
Solche Re-Positionierungen, auch "Ferry"-Flüge genannt, führen zu einem
starken Kostenanstieg, da dieser Flug ohne Passagiere ausgeführt wird und
somit keine Einnahmen generiert.
Langfristige
Opportunitätskosten
• Imageverlust
Operative • Marktanteilsverlust an andere Passagierbezogene
Flugzeugkosten Airlines und Transportmodi Kosten
• Ausgaben für Essen und
• Reduzierung der
• Treibstoff Getränke
Durchschnittserträge
• Parkgebühren • Hotel und Hoteltransfers
• Verkehrssteuerung • Re-Routing der Passagiere
• Wartung • Umsatzverlust
Arten von
Verspätungs- • Entschädigungszahlungen
Operative kosten
Personalkosten Opportunitätskosten der
Netzwerkqualität
• Zusätzliche Crews
• Reduktion der Anzahl der
• Geplante Crews Transferverbindungen
Strukturkosten
• Bodenpersonal • Minderung der Attraktivität der
• Zusätzliche Flugzeuge
• Zahlungen für Hotels, Transferverbindungen
Transfer und • Geplante Flugzeuge
• Reduktion der
Tagegeld • Ausrüstung der Boden- Netzwerkeffizienz
dienste
Abbildung 4.11: Arten der bei den Fluggesellschaften anfallenden Verspätungskosten
b. Operative Personalkosten. Operative Personalkosten erhöhen sich ver-

spätungsbedingt wegen der Notwendigkeit, die zusätzliche Arbeitsleistung
des Crew- und Bodenpersonals zu bezahlen. Die Entlohnung der Cockpit-
und Kabinencrews besteht bei den meisten Airlines aus einem fixen und ei-
nem variablen Teil. Letzterer wird in Abhängigkeit von den geleisteten Ar-
beitsstunden kalkuliert. Bei den durch eine Flugverspätung verursachten län-
geren Flugzeiten werden somit höhere Lohnzahlungen fällig. Neben den
variablen Löhnen können die vom Gesetzgeber vorgeschriebenen Crew-
Einsatzregeln36 zu einer sprunghaften Kostenerhöhung führen. Nach diesen
36
Vgl. Yu, G. (1996), S. 4; ANBIL, R. / TANGA, R. / JOHNSON, E.L. (1992)
Regeln darf das Flugzeugpersonal nur eine bestimmte Stundenzahl pro Tag
produktiv eingesetzt werden. Die Regeln definieren auch eine Mindestzeit,
die zwischen zwei Einsätzen verstreichen muss, damit die Crews wieder in
einem Flugzeug arbeiten dürfen. Führt also eine Flugverspätung dazu, dass
die maximal vorgeschriebene Crew-Einsatzzeit überschritten wird, muss eine
neue Crew verfügbar sein, um den Flugbetrieb fortzusetzen, für die selbst-
verständlich auch Lohnzahlungen zu leisten sind. Da die neuen Crews sich
nicht immer an jedem Flughafen befinden können, werden sie oft an ihren
Einsatzort geflogen, was ebenso zu Mehrkosten führt. Das ausgewechselte
Flugzeugpersonal wird entweder mit einer anderen Maschine zu seiner Basis
zurück- oder in der jeweiligen Stadt zeitweilig untergebracht, was zu zusätzli-
chen Aufwendungen wegen der zu zahlenden Aufenthaltskosten, Verpfle-
gung, Tagesgelder und Löhne führt.
c. Strukturkosten. Die Strukturkosten resultieren aus der Verankerung der

Effekte des irregulären Flugbetriebes in der Planung. Wie bereits erwähnt,
halten die Airlines in Antizipation der Abweichungen vom planmäßigen Be-
trieb Reserveflugzeuge vor, die meistens nicht produktiv eingesetzt werden,
sondern den Flugbetrieb nur beim Auftreten der Irregularitäten aufrechterhal-
ten, mit dem Ziel, weitere negative Folgen zu vermeiden. Eine weitere Ursa-
che für die Entstehung der Strukturkosten ist die Einplanung und somit auch
die Haltung einer größeren Zahl von Flugzeugen als tatsächlich für die Aus-
führung eines regulären Flugplans notwendig. Das kommt daher, dass die
Fluggesellschaften die Flugzeugrotationen absichtlich ausgehend von länge-
ren Flugzeiten planen37, wodurch sich eine höhere Anzahl erforderlicher Flug-
geräte ergibt. Alternativ zu den Flugzeugen wird zusätzliches Crew- und Bo-
denpersonal unterhalten.
d. Passagierbezogene Kosten. Diese Kosten entstehen durch die Entschä-

digung der Passagiere beim Vorliegen einer Verspätung. So müssen Passa-
gieren, die ihren Anschlussflug wegen einer Flugverspätung verpasst haben
und auf den nächsten Flug am gleichen Tag warten, Verpflegung und Aufent-
halt zur Verfügung gestellt werden. Sollte es für die Fluggesellschaft nicht
möglich sein, die stehen gebliebenen Passagiere innerhalb des gleichen Ta-
ges zu ihren Enddestinationen zu befördern, werden Übernachtungs- und
Transferkosten fällig. Beim Umleiten der Passagiere, die die Anschlussver-
bindung auf ihrem Reiseweg verspätungsbedingt verpasst haben, mit ande-
ren Flügen – dem so genannten Re-Routing – entstehen ebenfalls erhebliche
37
Vgl. LÜKING, J. (1993), S. 247
Kosten. Werden die Passagiere mit Flügen der eigenen Fluggesellschaft wei-
terbefördert, verursacht dies bei einer hohen Nachfrage auf dem entspre-
chenden Flugsegment signifikante Opportunitätskosten. Sie resultieren zum
einen daraus, dass die Sitzplätze auf dem originären Anschlussflug, nachdem
die Passagiere an einem Flughafen stehen geblieben sind, leer bleiben und
nicht verkauft werden. Und zum anderen können sich Opportunitätskosten
dadurch ergeben, dass diese Passagiere auf Flüge umgeleitet werden, auf
denen wegen der hohen Nachfrage die so blockierten Sitze hätten verkauft
werden können. Gibt es keinen Flug der eigenen Fluggesellschaft, mit dem
die Passagiere zu ihren Zielflughäfen befördert werden können, muss das
Re-Routing mit den Flügen der Partner- oder Konkurrenz-Airlines erfolgen,
was ebenfalls zu erheblichen Kosten führen kann. Um die sich durch die Ver-
spätung ergebenden Unannehmlichkeiten zumindest teilweise auszugleichen,
ist es üblich, dass die Fluggesellschaften Kompensations- bzw. Entschädi-
gungszahlungen an die Passagiere leisten oder den Flugpreis mindern. Der
Betrag solcher Zahlungen oder Preisnachlässe hängt meistens von der Ver-
spätungsdauer, der Gesamtflugzeit oder -distanz sowie dem Kundenseg-
ment 38 ab. Bis vor kurzem stellten derartige Entschädigungen freiwillige
Leistungen der Fluggesellschaften dar und konnten somit nicht eingefordert
werden. Nach den neuen Regelungen des EU-Ministerrates, die im Februar
2005 in Kraft traten39, sind die Airlines jedoch verpflichtet, bei einer Verspä-
tung sowie einer Nichtbeförderung oder Flugannullierung Ausgleichs- und
Betreuungsleistungen an die Fluggäste zu tätigen: Ist ein Flug bis 1.500 km
um zwei Stunden, ein innengemeinschaftlicher Flug über 1.500 km oder ein
anderer Flug zwischen 1.500 und 3.500 km um drei Stunden und alle ande-
ren Flüge um vier Stunden verspätet, so haben die Passagiere ein Anrecht
auf Mahlzeiten, Erfrischungen und Telefonate sowie auf Hotelübernachtung
und Transfer zum und vom Hotel. Bei einer Verspätung von mehr als fünf
Stunden ist eine vollständige Erstattung des Flugpreises oder der Rückflug
zum Abflugsort zum frühestmöglichen Zeitpunkt vorgeschrieben. Die nicht
beförderten Flugpassagiere können sich auf einen anderen Flug umbuchen
oder sich ihr Ticket ebenfalls vollständig erstatten lassen. Hinzu kommt der
Anspruch auf eine Mahlzeit und ggf. eine Übernachtung im Hotel. Der An-
spruch auf die Entschädigung besteht jetzt auch dann, wenn schlechtes Wet-
ter oder Terrorgefahr der Grund für die Verspätung sind. Insgesamt können
38
Geschäfts- oder Privatreisende. Es ist auch möglich, dass die Fluggesellschaften bei der Leistung der
Entschädigungszahlungen zwischen den Buchungsklassen der Passagiere unterscheiden.
39
Vgl. Verordnung 261/2004 über eine gemeinsame Regelung für Ausgleichs- und Betreuungsleistungen für
Fluggäste im Falle der Nichtbeförderung und bei Annullierung oder großer Verspätung von Flügen
die Kompensationen oder die direkten Zahlungen an die Passagiere somit

erhebliche Kosten für die Fluggesellschaften verursachen.
e. Langfristige Opportunitätskosten. Außer den direkt greifbaren Kosten

entsteht als Konsequenz von Flugverspätungen eine Reihe von indirekten
und nicht eindeutig quantifizierbaren, jedoch aber in ihrem Ausmaß für die
Fluggesellschaften hoch signifikanten und daher nicht zu vernachlässigenden
Opportunitätskosten. Auslöser für die Entstehung und Entwicklung solcher
langfristigen Kosteneffekte ist der mit der Zunahme der Flugverspätungen
einhergehende Imageverlust. Die Zuverlässigkeit bezüglich der angebotenen
Leistungen ist eine der grundsätzlichen Anforderungen der Fluggäste an die
Luftbeförderung. In den durch eine weitgehende Homogenität der angebote-
nen Luftverkehrsprodukte gekennzeichneten modernen Luftverkehrsmärkten
bedeutet ein Zuverlässigkeitsverlust einen massiven Wettbewerbsnachteil 40
und führt bei den betroffenen Airlines zu Kundenabwanderungen und Um-
satzeinbußen. Somit entstehen bei den Fluggesellschaften als Folge von
Flugverspätungen und den damit verbundenen Imageschäden langfristige
Opportunitätskosten wegen der Kundenabwanderung zu anderen Airlines
und anderen Verkehrsmodi41. Diesen Sachverhalt belegt die Untersuchung
der Passagierentwicklung der europäischen Fluggesellschaften: Sie zeigt,
dass das Passagieraufkommen auf verspätungsanfälligen Flügen signifikant
langsamer ansteigt als auf überwiegend pünktlichen Flügen42. Außer der Ein-
wirkung auf die Passagiernachfrage haben die Verspätungen einen Einfluss
auf die Durchschnittserträge. Ein zuverlässiger Flugverkehr bedeutet einen
guten Service für die Kunden und kann moderate Preiserhöhungen recht-
fertigen43.
f. Opportunitätskosten der Netzwerkqualität. Hierzu zählen die indirekten

Kosten, die auf Grund der Qualitätsreduktion der Airline-Netzwerke durch
Flugverspätungen entstehen 44 . Solche Qualitätsminderungen ergeben sich
durch die von den Airlines in Erwartung möglicher Verspätungen absichtlich
verlängerten Planwartezeiten zwischen zwei Flügen einer Transferverbindung.
Jede Erhöhung dieser Zwischenzeit über die für einen Flughafen festgelegte
Minimum Connecting Time (MCT) hinaus verschlechtert die Attraktivität der
40
Vgl. MCKENNA, J. T. (1999), S. 72
41
z.B. zu Bahn oder Auto
42
Vgl. LÜKING, J. (1993), S. 309-311
43
Vgl. MORIN, M. (2001), S. 106; JANUSZEWSKI, S. (2004), S. 33
44
In der ITA - Studie werden zu dieser Kostenposition noch die Kosten der Flugstornierungen sowie die
Kosten der verpassten Transferverbindungen dazugerechnet
angebotenen Verbindungen für die Transferpassagiere45 und führt somit zu

Umsatzverlusten. Darüber hinaus reduziert eine solche Ausdehnung der Auf-
enthaltszeiten an einem Zwischenflughafen die Anzahl der wettbewerbs-
fähigen Transferverbindungen 46 , die eine Airline über einen Hub aufbauen
und ihren potenziellen Kunden verkaufen kann. Dies mindert ebenfalls die
Netzwerkqualität und somit auch die erwarteten Passagierumsätze.
Abbildung 4.12 fasst die Anteile der einzelnen oben dargestellten Verspä-
tungskostenarten zusammen, die in der von der europäischen Flugverkehrs-
steuerungszentrale Eurocontrol in Auftrag gegebenen Studie des ITA-Instituts
kalkuliert wurden.
5,2% 4,1% 99,8%

8,8%
12,9%
28,7%
40,1%
Operative Opportunitäts- Struktur- Langfristige Passagier- Operative Gesamt

Personal- kosten der kosten Opportunitäts- bezogene Flugzeug-
kosten Netzwerk- kosten Kosten kosten
qualität
Abbildung 4.12: Anteile der einzelnen Arten von Verspätungskosten an den gesamten bei
den Fluggesellschaften anfallenden Verspätungskosten (Quelle: ITA-Studie (2000))
Demnach machen die operativen Personalkosten sowie die Opportunitäts-

kosten der Netzwerkqualität ca. 70% der gesamten Verspätungskosten aus.
Die passagierbezogenen Aufwendungen zusammen mit den weitgehend aus
dem Passagierverhalten resultierenden langfristigen Opportunitätskosten re-
präsentieren ca. 14% der gesamten bei den Fluggesellschaften anfallenden
Verspätungskosten.
Eine andere Kostenverteilung folgt aus der Untersuchung der Verspätungs-
45
z.B. durch schlechtere Positionierung dieser Verbindungen in Computerreservierungssystemen
46
folgen, die auf den Daten von Austrian Airlines basiert47. Hiernach tragen die
direkten passagierbezogenen Kosten sowie die langfristigen Opportunitäts-
kosten jeweils ca. 20-25% zu den Gesamtverspätungskosten bei. Den größ-
ten Kostenblock mit ca. 50% stellen hier die Opportunitätskosten der Netz-
werkqualität dar.
Auch bezüglich des Anteils der Kosten, die auf Grund der unabhängigen und
der induzierten Verspätungen entstehen, weisen die beiden Studien deutlich
divergierende Ergebnisse auf. Der Kostenanteil der induzierten Verspätungen
liegt nach der ITA-Untersuchung bei ca. 22%, ist jedoch laut Austrian-
Airlines-Studie mit etwa 54% mehr als doppelt so hoch.
Auch in anderen Veröffentlichungen, die die Höhe der Verspätungskosten für

die gesamte Airline-Industrie evaluieren, finden sich zum Teil stark differie-
rende Ergebnisse. Die Tabellen 4.1 und 4.2 fassen die Verspätungskosten für
die US-amerikanische und die europäische Luftverkehrsindustrie zusammen,
wie sie den aktuellsten Untersuchungen zu entnehmen sind.
US-amerikanischer Markt
Jährliche
Bezugs-
Autor Kosten für Kommentar
jahr
die Industrie
Maximal mögliche Einsparung der
Airlines bei der Verbesserung der
GILLEN, D. /
Leistungsfähigkeit des amerikani-
HANSEN, M.M. / 1 - 3,6 Mrd.
1999 schen Luftverkehrssteuerungssys-
DJAFARIAN- USD
tems. Kosten für zehn US-Airlines,
TEHRANI R. (2001)
keine Berücksichtigung der Oppor-
tunitätskosten
Maximal mögliche Einsparung der
Airlines bei der Verbesserung der
Leistungsfähigkeit des amerikani-
CITRENBAUM, D. / 1996- 1,2 Mrd. schen Luftverkehrssteuerungssys-
JULIANO, R. (1999) 1998 USD tems; nur operative Kosten, keine
Berücksichtigung der Opportunitäts-
und Strukturkosten, keine Berück-
sichtigung der Abflugsverspätung
47
Vgl. KNORREN NICHOLS, W. / RICHTER G. (1999), S. 327
FEDERAL AVIATION
1987- 2,5 Mrd. Nur operative Kosten, basierend auf
ADMINISTRATION
1994 USD der Ankunftsverspätung
(FAA) (1995)
2,5 Mrd. Hochrechnung des geschätzten
GEISINGER, K. (1998) 1997
USD Wertes von 1986 (1,8 Mrd. USD)
Verspätungskosten, die auf Aktio-
nen der Verkehrssteuerung zurück-
2 - 4 Mrd.
ODONI, A. (1995) 1993 zuführen sind, sowie Kosten der
USD
nicht optimalen Flugbahnen und der
Flugstornierungen
Verspätungskosten wegen irregulä-
1995- 4 Mrd. ren Flugbetriebs und der damit ver-
CLARKE, J.-P.
1999 USD bundenen passagierbezogenen
Kosten
Direkte Kosten wegen des irregulä-
ren Flugbetriebs, in Folge dessen
die Flüge nur storniert oder umgelei-
1,8 Mrd.
SHAVELL, Z.A. (2000) 1998 tet werden können. Für zehn Air-
USD
lines. Jeweils 0,9 Mrd. USD entste-
hen wegen Flugstornierungen und
Flugumleitungen
Verspätungskosten definiert als o-
US AIRLINE
3 Mrd. perative Flugzeugkosten (2,2 Mrd.
TRANSPORT 1999
USD USD) und Kosten der Bodendienste
ASSOCIATION (ATA)
(ca. 0,8 Mrd. USD)
Nur Verspätungskosten auf Grund

zu geringer Flughafenkapazität;
2,5-6 Mrd.
KOSTIUIK, P. (2001) 2005 Schätzung ohne Berücksichtigung
USD
der Opportunitäts- und Struktur-
kosten
Tabelle 4.1: Verspätungskosten für die gesamte S

U-amerikanische Airline-Industrie
Europäischer Markt
Jährliche
Bezugs-
Autor Kosten für Kommentar
jahr
die Industrie
Jährliche Verspätungskosten für
eine europäische Top-10-Airline.
Keine Berücksichtigung der Oppor-
BOOZ-ALLEN & 2000- 0,1 -0,4
tunitätskosten. Eine einprozentige
HAMILTON (2001) 2001 Mrd. EUR
Verbesserung der Pünktlichkeitsrate
bringt 4-16 Mio. EUR Kosten-
einsparungen
Alle oben aufgeführten Verspä-
INSTITUT DU
1,6 - 2,3 tungskostenpositionen; langfristige
TRANSPORT AÉRIEN 1999
Mrd. EUR Opportunitätskosten sind hier mögli-
(ITA) (2000)
cherweise unterschätzt.
Berücksichtigung nur der durch das
IATA AIRLINE Luftverkehrsmanagement ausgelös-
21,2 USD
ECONOMICS TASK 1997 ten Verspätungen; direkte operative
pro Minute
FORCE Kosten der europäischen IATA-Mit-
glieder
Tabelle 4.2: Verspätungskosten für die gesamte europäische Airline-Industrie
Die Verspätungskosten variieren für die amerikanische Industrie je nach ge-

wählter Untersuchungszielsetzung und den daraus resultierenden Kosten-
definitionen zwischen einer und sechs Milliarden US-Dollar pro Jahr.
Die wenigen für den europäischen Markt durchgeführten Bewertungsstudien

präsentieren ebenfalls ein zum Teil unterschiedliches Ausmaß an Verspä-
tungskosten. Die Analyse von Booz-Allen & Hamilton zeigt, dass bei einer eu-
ropäischen Top-10-Airline jährlich Verspätungskosten in Höhe von ca. 0,1 bis
0,4 Milliarden Euro anfallen. Die bereits genannte ITA-Studie kommt dagegen
auf ein Verspätungskostenintervall für die gesamte europäische Airline-In-
dustrie von 1,6 bis 2,3 Milliarden Euro pro Jahr. Werden hier noch zusätzlich
die Kosten berücksichtigt, die sich aus der Antizipation und der entsprechen-
den Anpassung der Flugpläne gegenüber dem Optimum ergeben, erhöhen
sich die Beträge auf drei bis fünf Milliarden Euro.
Trotz unterschiedlicher Schätzwerte für die Höhe der gesamten Verspätungs-

kosten lässt sich behaupten, dass diese sich primär aus dem irregulären
Flugbetrieb und der ineffizienten Flugplanung ergebenden Kosten einen sig-
nifikanten negativen Einfluss auf die Ertragslage der Fluggesellschaften aus-
üben. Vergleicht man die geschätzten Werte der monetarisierten Konsequen-
zen der Flugverspätungen mit dem gesamten operativen Ergebnis der welt-
weiten Airline-Industrie, das in Abbildung 4.13 dargestellt ist, wird deutlich,
dass die Verspätungskosten oft einen erheblichen Teil der gesamten operati-
ven Gewinne verschlingen oder eine Fluggesellschaft sogar in die Verlust-
zone ziehen können.
Operatives Ergebnis der weltweiten Airline-Industrie [Mrd. USD]

18,0
15,0
12,0
9,0
6,0
3,0
0,0
-3,0 '90 '91 '92 '93 '94 '95 '96 '97 '98 '99 '00 '01 '02
-6,0
-9,0
-12,0
Abbildung 4.13: Operatives Ergebnis der weltweiten Airline-Industrie, 1990-2002, M

[ rd.
S
UD](Quelle: International Civil Aviation Organization (ICAO))
Die Verbesserungen der Flugplanstabilität und die daraus resultierende Re-

duzierung der Verspätungskosten wirken sich somit direkt auf die Gewinnsitu-
ation der Airlines aus und sichern ihre Rentabilität und Wettbewerbsfähigkeit.
Es ist also enorm wichtig, die während des Flugbetriebs auftretenden Irregu-
laritäten explizit in der Flugplanung zu berücksichtigen, um die sich daraus
ergebenden hohen Verspätungskosten in ihren unterschiedlichen Formen48
noch in der Planungsphase des Airline-Betriebs zu minimieren. Die von den
Airlines eingesetzten deterministischen Flugplanoptimierungsmodelle, die im
Kapitel 3 präsentiert wurden, können die im vorliegenden Kapitel dargestell-
ten Abweichungen vom regulären Flugbetrieb und die daraus resultierenden
Kosten nicht abbilden, da sie von der Stabilität und der konstanten Planmä-
ßigkeit der Flugplanaktivitäten ausgehen. Das in dieser Arbeit entwickelte Op-
timierungsmodell dagegen liefert ein Werkzeug zur Erstellung von Flugplänen,
48
die den Fluggesellschaften den maximalen operativen Gewinn ermöglichen,

indem sie die Unsicherheit der Flugereignisse und die mit dieser Unsicherheit
verbundenen Verspätungskosten berücksichtigen. Das Modell evaluiert außer
den in den traditionellen Flugplanoptimierungsroutinen kalkulierten Passa-
gierumsätzen zusätzlich noch die Höhe verschiedener Arten von Verspä-
tungskosten und generiert durch die iterative Festlegung der Zeitenlagen der
Flüge einen Flugplan, der bezüglich sowohl der Umsätze als auch der Ver-
spätungskosten optimal ist. Somit trägt diese Arbeit durch die Verbesserung
der Flugplanung zur Senkung der durch Flugverspätungen hervorgerufenen
hohen Kosten für die Airline-Industrie bei.
4.2.4.2 Auswirkungen der Flugverspätungen auf die Passagiere

Um die generelle Auswirkung der Flugverspätungen auf die Allgemeinheit zu
evaluieren, müssen zusätzlich zu den von den Airlines getragenen Ver-
spätungskosten noch die bei den Fluggästen anfallenden Kosten berück-
sichtigt werden. Die Passagiere werden, wie im vorherigen Abschnitt erwähnt,
von den Fluggesellschaften zwar teilweise für die infolge von Flugverspätun-
gen entstehenden Unannehmlichkeiten entschädigt, der gezahlte Entschädi-
gungsbetrag kompensiert jedoch bei weitem nicht die vollen bei den Flug-
gästen induzierten Kosten49.
Den Ausgangspunkt für die Berechnung der Verspätungskosten für die Pas-
sagiere bildet die Verspätungszeit. In dieser Zeit können die Passagiere we-
der ihrer Arbeit nachgehen noch für Arbeit entlohnt werden oder Nutzen aus
der Freizeit ziehen. Es handelt sich somit um Opportunitätskosten. Sie wer-
den auf Basis des finanziellen Wertes der Zeit geschätzt, der sich als Äquiva-
lent zu dem Geldbetrag ergibt, den die Passagiere zu zahlen oder zu bekom-
men bereit wären, um die durch die Flugverspätung verloren gegangene Zeit
einzusparen. Solch ein Zeitwert kann auch aus der von den Passagieren ge-
troffenen Entscheidung über die Auswahl eines Transportmodus und der dar-
aus resultierenden Relation zwischen dem Ticketpreis und der Reisezeit
hergeleitet werden50. Der finanzielle Zeitwert hängt unter anderem von Rei-
segrund, Reisezeit, Kundensegment und sozioökonomischen Charakteristi-
ken der Reisenden ab51. Die Tabellen 4.3 und 4.4 fassen die in der Literatur
vorhandenen Ergebnisse der empirischen Analyse bezüglich Opportunitäts-
kosten der Flugpassagiere zusammen.
49
Vgl. ITA (2000), S. 19
50
Vgl. ITA (2000), S. 19
51
z.B. Einkommen, Vermögen, Ausbildung, Alter
US-amerikanischer Markt
Kosten pro Gesamt-
Bezugs-
Autor Verspätungs- kosten pro Kommentar
jahr
stunde Jahr
Zitiert in ITA-Studie; die
Gesamtkosten wurden un-
US AIRLINE
ter Berücksichtigung des
TRANSPORT 4,2 Mrd.
1999 Anteils der von der Ver-
ASSOCIATION USD
kehrssteuerung verursach-
(ATA)
ten Verspätungen (ca.
50%) hochskaliert
Die Gesamtkosten wurden
unter Berücksichtigung des
CITRENBAUM,
3,6 Mrd. Anteils der von der Ver-
D. / JULIANO, 1996
USD kehrssteuerung verursach-
R. (1999)
ten Verspätungen (ca.
50%) hochskaliert
FEDERAL
Ausgangsbasis: Verspä-
AVIATION
1987- 6,5 Mrd. tung von insgesamt ca.
ADMINISTRA- 44 USD
1994 USD 150 Mio. Passagierstun-
TION (FAA)
den
(1995)
Zitiert in ITA-Studie; Zeit-
57 EUR
werte sind extrapoliert ins
ORLYVAL geschäftlich, keine An-
1999 Jahr 1999 (Steigerung der
(1986/1987) 37 EUR gaben
Arbeitskosten berück-
privat
sichtigt)
22 EUR
HEINITZ, F. geschäftlich, keine An-
(1998) 13 EUR gaben
privat
sichtigt)
PROSSALO- 38 EUR
GLOU, K. / geschäftlich keine An-
KOPPELMAN, 10 EUR gaben
F.S. (1999) privat
sichtigt)

SINNCOTT,
J.H. / MAC 38 - 260 keine An-
REYNOLDS, EUR gaben
W.K. (1998)
sichtigt)
Tabelle 4.3: Verspätungskosten für die Passagiere auf dem S

U-amerikanischen Markt
Europäischer Markt
Kosten pro Gesamt-
Bezugs-
Autor Verspätungs- kosten pro Kommentar
jahr
stunde Jahr
Zitiert in ITA-Studie: Die
Gesamtkosten resultieren
aus den Verspätungsminu-
EURO- 60 EUR pro ten 1999 (ca. 70 Mio.), den
8,4 Mrd.
CONTROL 1999 Minute und Verspätungskosten pro Mi-
EUR
(1999) Flug nute und dem Anteil der
von der Verkehrssteuerung
verursachten Verspätun-
gen (50%)
Die in der Studie berech-
INSTITUT DU neten Gesamtkosten wur-
TRANSPORT 4,2 - 5,4 den mit Zwei multipliziert
1999 34 - 44 EUR
AÉRIEN (ITA) Mrd. EUR (da die Verkehrssteuerung
(2000) nur 50% der Verspätungen
verursacht)
Zitiert in ITA-Studie; die
Gesamtkosten sind be-
78 EUR rechnet ausgehend von
Lang- der Anzahl der Verspä-
KROES, E.P. /
streckenflug, 2,3 Mrd. tungsminuten in Europa im
SHELDON, R.J. 1999
30 EUR EUR Jahr 1999 (ca. 70 Mio.)
(1988)
Kurz- sowie den Anteilen der
streckenflug Langstrecken- und Kurz-
streckenflüge (jeweils 5%
und 95%)
Tabelle 4.4: Verspätungskosten für die Passagiere auf dem europäischen Markt
Die Tabellen 4.3. und 4.4 lassen erkennen, dass trotz relativ hoher Streuung
der Schätzwerte der bei Passagieren anfallenden Verspätungskosten in der
Literatur, diese Kosten einen erheblichen negativen Faktor darstellen, der das
Einkommen der einzelnen Fluggäste und somit auch die Wohlfahrt der Ge-
sellschaft signifikant mindern kann.
4.3 Berücksichtigung der Unsicherheitsaspekte in der

modernen Flugplanung
Die im Abschnitt 4.2.4 dargestellten Schätzwerte der Verspätungskosten für
Airlines und Fluggäste unterstreichen die Problematik, die aus dem irregulä-
ren Flugbetrieb und den Flugverspätungen folgt. Trotz der enormen Bedeu-
tung der negativen monetären und sozialen Effekte für die Luftverkehrs-
industrie konzentrierten sich die Fluggesellschaften und die wissenschaftliche
Forschung in den letzten Jahrzehnten auf die Entwicklung von Modellen und
Systemen, die die Flugpläne in Bezug auf den maximalen Gewinn und unter
Einhaltung operationeller Restriktionen, jedoch ohne die Berücksichtigung der
eventuellen Irregularitäten im Flugbetrieb optimieren52. Nur sehr wenige For-
schungsaktivitäten widmeten sich der Einbeziehung der mit dem irregulären
Flugbetrieb einhergehenden Unsicherheiten in die Flugplanung
und -optimierung sowie der Entwicklung von Entscheidungsunterstüt-
zungssystemen zur Beseitigung der Flugplanstörungen infolge von Irregulari-
täten53. In den nachfolgenden Abschnitten wird der Stand der Forschung auf
dem Gebiet der Berücksichtigung von Unsicherheiten und möglichen Be-
triebsstörungen in der Flugplanung präsentiert und die Modelle zur Abschät-
zung der Verspätungspropagation werden skizziert.
4.3.1 Modelle zur Flugplanwiederherstellung (Schedule Recovery

Models)
Ein Großteil der quantitativen Modelle, welche die während des Flugbetriebs
auftauchenden irregulären Ereignisse explizit berücksichtigen, beschäftigt
sich mit der Bestimmung der optimalen Wiederherstellungsstrategien zur
schnellen und kostengünstigen Überführung des durch ein irreguläres Ereig-
nis gestörten Flugbetriebs in den planmäßigen und stabilen Zustand. Diese
Modelle stellen somit wertvolle Werkzeuge dar und unterstützen die Airlines
in ihrem operativen Geschäft durch die Herleitung der geeigneten taktischen
52
Vgl. AGEEVA, Y. (2000), S. 10; MORIN, M. (2001), S. 27-28
53
Vgl. CLARKE, M.D.D. (1997a); LAN, S. / BARNHART, C. / CLARKE, J.-P. (2002), S. 9
Reaktionsmaßnahmen, die in ihren wesentlichen Ausprägungen im Abschnitt

4.2.3.1 beschrieben wurden.
So entwickelte Mathaisel (1996) ein Entscheidungsunterstützungssystem zur

Erarbeitung von Vorschlägen zum dynamischen Flugzeug-Rescheduling. Un-
ter Flugzeug-Rescheduling wird die Änderung der Flugzeugrotationen als
Reaktion auf die Betriebsstörungen verstanden. Ein solches Rerouting wird
im Modell im Gesamtkontext des Airline-Betriebs betrachtet, der die Planung
von Flugzeugrotationen und Flugzeugwartungsplänen, das Crew-
Management, die Flugsteigzuordnung sowie die Flugplanung umfasst. Die in
der Arbeit entwickelten Algorithmen helfen den Airlines beim Eintreten eines
Störereignisses, das den Flugbetrieb wesentlich beeinflusst, ihre Flugzeuge,
Crews und Passagiere optimal zu repositionieren. Das Unterstützungssystem
enthält auch ein Modul zur Bewertung der möglichen Reaktionsszenarien.
Das Problem der Flugplanwiederherstellung wurde ebenfalls vielseitig in den

Arbeiten von Dusan Teodorovic erforscht. Teodorovic / Guberinic (1984) be-
schreiben ein Modell zur Minimierung der gesamten Passagierverspätung,
die sich als Folge von irregulären Flugplanereignissen ergibt. Die Autoren
entwickeln ein nur für eine kleine Flugzeugflotte und eine kleine Anzahl von
Flugsegmenten relevantes Modell, das die kostengünstigste Kombination von
Flugzeugrotationen und Zeitenlagen der Flüge unter Annahme der gleichen
Sitzkapazität bei allen vorhandenen Flugzeugen bestimmt. Das Flugplan-
wiederherstellungsproblem wird hier als Netzwerk-Fluss-Problem formuliert.
In diesem Netzwerk werden die Flüge durch die Knoten und die Zeitverluste
der Passagiere, die sich auf Grund der geänderten Zeitenlagen der Flüge er-
geben, durch die Kanten repräsentiert. Das Modell, das nur die weiteren
Flugverspätungen als eine mögliche Reaktionsmaßnahme der Airlines auf die
Irregularitäten des Flugbetriebs erwägt, wird mit dem Branch-and-Bound-
Algorithmus gelöst.
Teodorovic / Stojkovic (1990) erweiterten dieses Modell durch die Integration

von Flugstornierungen als mögliche Reaktionsmaßnahme sowie durch die
Berücksichtigung der Flughafenrestriktionen in den Nebenbedingungen. Das
Problem wird hier zweistufig hierarchisch gelöst: Zuerst wird die Anzahl der
stornierten Flüge minimiert. Ergeben sich unterschiedliche Lösungen mit glei-
cher Anzahl von stornierten Flügen, erfolgt die Minimierung der gesamten
Passagierverspätung. Die Optimierungsläufe werden mittels einer Heuristik
durchgeführt, die jedem Flugzeug so viele Flugsegmente wie möglich zuweist
und nach den Rotationen sucht, die die gleichen Flugsegmente enthalten und
mit minimalen Passagierverspätungen verbunden sind.
Ein Nachteil dieses Modells ist, dass das Crew-Rescheduling außer Acht ge-
lassen wird. Teodorovic / Stojkovic (1995) integrieren die Crew-Planung in
das Flugplanwiederherstellungsmodell. Sie nutzen lexikographische Optimie-
rungsmethoden und optimieren, ähnlich wie in ihrem vorherigen Modell, die
Anzahl der nicht stornierten Flüge und die Passagierverspätung in zwei Stu-
fen. Die Lösungsheuristik des Modells basiert auf dem FIFO-Prinzip (first-in-
first-out) für die Bildung der Flugzeug- und Crew-Rotationen sowie auf der se-
quenziellen dynamischen Programmierung.
Jarrah et al. (1993) präsentieren ein Entscheidungsunterstützungssystem be-

stehend aus zwei Modellen jeweils für Flugstornierungen und -verspätungen,
die auf Zeit-Raum-Netzwerken basieren und unabhängig voneinander gelöst
werden. Somit erlaubt dieses System, das bei United Airlines implementiert
wurde, keine Ausgleichsentscheidungen zwischen Stornierungen und Flug-
verspätungen als Reaktion der Airline auf die Irregularitäten. Die Berechnung
der Kostenstruktur der Netzwerke ist äußerst komplex. Sie berücksichtigt die
Anzahl der Passagiere auf einem Flugsegment sowie auf den Anschluss-
verbindungen, propagierte Verspätungen und Stornierungen, den Verlust der
Einsatzzeit der Crews und Probleme, die auf Grund der Änderung der Flug-
zeugwartungspläne entstehen können.
Im Unterschied zum Ansatz von Jarrah wird in Yu (1995) ein Modell entwi-
ckelt, das die simultane Entscheidung bezüglich der Flugstornierungen
und -verspätungen erlaubt. Das Netzwerkmodell enthält hier Substitutions-
knoten und -kanten, über die die Änderungen der Flugzeugzuordnung abge-
bildet werden können
Yan / Yang (1996) präsentieren zum ersten Mal ein Ansatz, der die Flugstor-
nierungen und -verspätungen sowie die "Ferry"-Flüge als mögliche Reakti-
onsmaßnahmen auf die irregulären Ereignisse in einem Modell integriert. Das
Modell basiert auf einen Zeit-Raum-Netzwerk und geht von der Annahme der
Homogenität der Flotte aus.
Cao / Kanafani (1997) beschreiben eine Modellerweiterung von Jarrah et al.

(1993), in der die Entscheidungen über Flugstornierungen und -verspätungen
simultan getroffen werden. Die Autoren präsentieren ein quadratisches 0-1-
Programm, das den operativen Airline-Gewinn unter Berücksichtigung der
Verspätungskosten und der Strafkosten optimiert, die bei Flugstornierungen
entstehen. Das Modell betrachtet das Netzwerk der Flughäfen als ein kom-
plettes System und verfolgt die Verspätungen sowie die Änderungen in der
Flugzeugzuordnung nacheinander von einem Flughafen zum anderen. Die
Autoren erwähnen die Möglichkeit der Integration von "Ferry"-Flügen und Än-
derungen der Flugzeugrotationen in der Modellformulierung.
Clarke (1997) entwickelt ein Flugplanwiederherstellungsmodell, das auf ei-

nem Raum-Zeit-Netzwerk basiert und in dem die Stornierungen und Verspä-
tungen ebenfalls simultan erfolgen. Das Modell erlaubt zahlreiche Umtausch-
operationen zwischen den Rotationen der Flugzeuge unterschiedlicher Typen.
Außerdem berücksichtigt es durch Einschränken der Anzahl der Flugzeug-
bewegungen an bestimmten Flughäfen die möglichen Aktionen seitens der
Verkehrssteuerungszentrale sowie die eventuellen Probleme mit der Crew-
Verfügbarkeit.
4.3.2 Messung und Optimierung der Robustheit und Zuverlässigkeit der

Airline-Planung
Außer den im vorherigen Abschnitt dargestellten Modellen zur taktischen
Flugplanoptimierung, die nach Eintreten der irregulären Ereignisse zur effizi-
enten Reallokation der Ressourcen eingesetzt werden, finden sich in der Lite-
ratur einige Ansätze zur Integration der Unsicherheitsaspekte in die Pla-
nungsphase des Airline-Betriebes. Diese Ansätze wurden zum Teil für andere
Verkehrsmodi wie z.B. die Bahn entwickelt, lassen sich jedoch auf den Luft-
verkehr übertragen. Sie bilden durch die ex ante Messung und Optimierung
der Robustheit und der Zuverlässigkeit der Flug-, Flugzeug- und Crewpläne
die strategischen Reaktionsmaßnahmen54 der Airlines auf die Flugplanirregu-
laritäten ab.
Grundsätzlich können solche Modellansätze nach der Notwendigkeit der

Verwendung stochastischer Verteilungsfunktionen oder der Durchführung von
Simulationsläufen zur Herleitung von Optimierungskonzepten unterschieden
werden.
4.3.2.1 Nicht stochastische Modelle zur Optimierung von Flugplänen

Ageeva (2000) präsentiert einen nicht stochastischen Ansatz. Sie definiert die
Flugplanrobustheit als die aus der Flugplanung resultierende Eigenschaft zur
schnellen und für die Passagiere bequemen Wiederherstellung des planmä-
54
ßigen Flugbetriebs nach dem Auftreten eines irregulären Ereignisses. Ein

Flugplan ist somit robust, wenn er überlappende Elemente wie Flüge, Trans-
ferverbindungen und Routen enthält, über die der Verkehr im Störungsfall
umgeleitet werden kann. Die Robustheit manifestiert sich in der Planung von
sich an mehreren Flughäfen überschneidenden Flugzeugrotationen sowie
von redundanten bzw. alternativen Passagierrouten, auf denen die Passagie-
re über gleiche oder unterschiedliche Zwischenflughäfen von ihrer Start- zur
Zieldestination befördert werden können. Die Optimierung der Flugplan-
robustheit erfolgt in der Planungsphase durch die Integration des Robust-
heitsmaßes in die Zielfunktion, das als Differenz zwischen der potenziellen
und der aktuellen Anzahl der Überschneidungen kalkuliert ist.
Eine ähnliche Formulierung der Robustheit findet sich bei Morin (2001). Hier
wird eine Flugverbindung als robust deklariert, wenn zwischen ihren Anfangs-
und Endpunkten alternative Verbindungen über andere Flughäfen aufgebaut
werden können. In Abhängigkeit von Benutzerpräferenzen werden unter-
schiedliche Robustheitsniveaus definiert. Zur Beurteilung der Zuverlässigkeit
wird eine Flugverbindung in einzelne Komponenten wie Flugzeit, Taxi-Zeit,
Wartezeit usw. zerlegt. Das Verspätungsprofil der Komponenten wird für je-
den Flughafen sowie jeden Flug mit Hilfe theoretischer Dichtefunktionen vor-
gegeben. Basierend auf diesen Profilen sowie auf möglichen Stornierungs-
raten der Flüge und auf den eingeplanten Zeitpuffern wird eine Zuverlässig-
keitskennzahl für eine Flugverbindung ex ante hergeleitet. Für die aus Unter-
nehmenssicht wichtigen Flugverbindungen und Flugmärkte, die ein gewisses
Robustheitsniveau aufweisen müssen, werden im Rahmen der Flugplanung
und -optimierung durch diverse Tauschoperationen alternative Verbindungen
aufgebaut, die unter Verwendung der gewichteten Zuverlässigkeitskennzah-
len bewertet werden.
4.3.2.2 Stochastische Modelle zur Optimierung von Flugplänen

Trietsch (1993) untersucht den Einfluss der stochastischen Flugplanpünktlich-
keit auf die Optimierung der Hub-and-Spoke-Netzwerke. In seinem Modell
werden die Ankunfts- und Abflugszeiten der Flüge in und aus einem Hub-
Flughafen als unabhängige stochastische Variablen angenommen. Das Mo-
dell minimiert die Kosten der stochastischen Verspätungen und berücksichtigt
den Effekt der Aggregation der stochastischen Zeitvariablen. Auf die aus den
Flugzeugrotationen resultierenden Unsicherheitsaspekte wird hier allerdings
nicht geachtet.
Das Modell von Wu / Caves (2002) adressiert explizit die stochastischen Fak-
toren in den Flugzeugrotationen und optimiert die Zeitpuffer zwischen zwei
aufeinander folgenden Flügen sowie die Planflugzeit durch Ausbalancieren
der Flugplanzuverlässigkeit und der operativen Kosten der Rotationen.
Mederer / Frank (2002) verbessern die Zuverlässigkeit eines Flugplanes

durch die Annahme der aus den historischen Daten hergeleiteten stochasti-
schen Verteilungen der Flugplanzeiten und durch die Integration der stochas-
tischen Variablen in die Optimierungsroutine.
Jauffred (1997) entwickelt ein Modell, das mit Hilfe von stochastischer Opti-
mierung einen robusten Flugplan durch Ausbalancieren der Kosten- und Zu-
verlässigkeitsaspekte erzeugt. Das Optimierungsproblem, das als stochasti-
sche Erweiterung konventioneller deterministischer Optimierungsprobleme
formuliert wird, wird mit der Subgradient-Methode gelöst. Das Ergebnis der
Optimierung ist eine Flugplanvariante, die das Eintreten hoch wahrscheinli-
cher Ereignisse reflektiert und angesichts dieser Ereignisse maximalen Ge-
winn bzw. minimale Kosten liefert.
Carey (1994) entwickelt ein Konzept für die Schedule-Zuverlässigkeit am

Beispiel der Zugfahrpläne sowie ein Modell zur Schedule-Optimierung unter
Berücksichtigung der Zuverlässigkeitsziele. Die Zuverlässigkeit wird hier –
ausgehend von einer um der Allgemeingültigkeit willen nicht näher spezifizier-
ten Dichtefunktion der Zufallsvariable Fahrzeit – als die Wahrscheinlichkeit für
das Nichtüber- bzw. -unterschreiten der Planfahrzeit definiert. Basierend auf
den aus der Dichtefunktion der Fahrzeit abgeleiteten Verteilungen der An-
kunfts- und Abfahrtszeiten und der Unterscheidung zwischen den unabhängi-
gen und induzierten Verspätungen werden die Erwartungswerte der Verspä-
tungskosten sowie die Gesamtkosten einer Reise kalkuliert. Zur Fahrplanopti-
mierung wird ein mathematisches Programm formuliert, das die so berechne-
ten Gesamtkosten unter der Einhaltung der operationellen Restriktionen mini-
miert. Außer dem kostenbasierten Ansatz werden kostenunabhängige Zuver-
lässigkeitsmaße definiert. Diese sind Wahrscheinlichkeit für ein zu spätes
oder zu frühes Starten oder Ankommen, Erwartungswert und Varianz der
Verspätung.
Carey (1999) erarbeitet eine Reihe von ex ante Zuverlässigkeitsmaßen eines

Fahr- oder Flugplanes, die mit oder ohne Dichte- und Verteilungsfunktionen
hergeleitet werden. Hier wird ebenfalls zwischen unabhängigen und induzier-
ten Verspätungen unterschieden. Die Zuverlässigkeit der einzelnen Transfer-
verbindungen, definiert als Wahrscheinlichkeit oder Erwartungswert für das

Nichteintreten einer Verspätung, wird hier evaluiert. Es werden ebenfalls ex
ante Zuverlässigkeitsmaße für den gesamten Fahr- oder Flugplan berechnet,
die als der gewichtete oder ungewichtete Durchschnittswert der Zuverlässig-
keitskennzahlen der einzelnen Verbindungen bestimmt werden. Die heuristi-
schen Kennzahlen, die ohne Dichtefunktionen kalkuliert werden, beziehen
sich im Wesentlichen auf die Länge und die Verteilung der Verbindungszeiten.
Die Ansätze zur Optimierung der Flugplanzuverlässigkeit werden hier nicht
hergeleitet.
In Carey (1998) wird hingegen die Methodologie zur Bestimmung und Opti-
mierung der die Fahr- oder Flugplanzuverlässigkeit beeinflussenden Zeitpuf-
fer zwischen zwei Elementen präsentiert, die eine Transferverbindung bil-
den55. Die Größe dieser Zeitpuffer, die vom Verhältnis der Verspätungs- zu
den Gesamtkosten einer Verbindung abhängen, wird dabei unter Berücksich-
tigung der Antizipation der Zeitpufferverlängerung und der entsprechenden
Reaktion der Nutzer vorgegeben.
Yen (2000) präsentiert die Methodologie zur Optimierung der Airline-Crew-

Flugpläne, die die Unsicherheitsaspekte bezüglich des Flugbetriebs explizit
berücksichtigt. Hier werden zum deterministischen Teil der Zielfunktion, der
die Crew-Einsatzkosten enthält, die erwarteten Verspätungskosten hinzuge-
fügt, die aus der Realisierung eines zufällig ausgewählten Störungsszenarios
resultieren. Die Störungen werden durch die stochastische Verteilung der
Flug- und Bodenzeiten dargestellt. Verspätungskosten entstehen, wenn eine
Crew, die auf einem verspäteten Flugzeug eingesetzt wurde, auf ein anderes
Flugzeug umsteigen muss.
4.3.2.3 Simulationsbasierte Modelle zur Optimierung von Flugplänen

Die Zuverlässigkeit und die Robustheit einer Flugplanlösung wird oft mit Hilfe
von Simulationen beurteilt, die von empirischen oder theoretischen Wahr-
scheinlichkeitsverteilungen der Flug-, Warte- und Verbindungszeiten sowie
anderer Variablen ausgehen.
Beim Ansatz zur Messung und Optimierung der Flugplanrobustheit in Bian /

Burke / Jain et al.(2003) werden für einen ohne Berücksichtigung der Irregu-
laritäten voroptimierten Flugplan diverse Störungsfälle, wie Verkehrstaus und
Verspätungen, stochastisch simuliert. Ein Algorithmus, der die Reaktion der
55
z.B. zwei Zügen, Flügen oder Bussen
Airlines auf diese Störungen nachbildet und dabei die Flüge in den Flugzeug-
rotationen tauscht oder diese im Extremfall storniert, wird nach Ausführen der
Störungssimulation angewandt. Die Stabilität und die Robustheit des zu vali-
dierenden Flugplans wird anhand unterschiedlicher Kennzahlen beurteilt, z.B.
anhand des Prozentsatzes der Flüge, die pünktlich starten oder landen oder
die nicht storniert wurden, sowie des Prozentsatzes der Transferpassagiere,
die ihre Anschlussverbindung wegen der simulierten Flugbetriebsstörungen
verpassten.
In Rosenberger / Schaefer / Goldsman et al. (2001) wird ein Modell zur Abbil-
dung des täglichen operativen Betriebes einer Fluggesellschaft präsentiert,
das die aus einer Flugplanlösung resultierenden Kosten- und Zuverlässig-
keitsprofile durch die Simulation unterschiedlicher Ereignisse evaluiert. Als
Modellinput fungieren ein Flug- und Crew-Einsatzplan, die Verspätungsvertei-
lung der Flugereignisse und der Algorithmus zur Flugplanwiederherstellung.
Das Modell liefert als Ergebnis unterschiedliche Statistiken, die die Flugplan-
zuverlässigkeit bewerten, wie z.B. der Prozentsatz pünktlicher Flugereignisse
sowie der Prozentsatz der Transferpassagiere, die ihren Anschluss verpass-
ten, oder die Anzahl der stornierten Flüge. Ein ähnliches Simulationsmodell
des operativen Airline-Betriebs wird in Lee / Huang / Lee et al. (2003) darge-
stellt.
In Schäfer et al. (2003) und Klabjan / Schaefer et al.(2001) werden simulati-

onsbasierte Modelle zur Crew-Schedule-Optimierung entwickelt. In beiden
Modellen werden die gesamten erwarteten Crew-Einsatzkosten pro Crew, die
die Verspätungskosten enthalten und als Zielfunktion minimiert werden, aus-
gehend von den durch die Monte-Carlo-Simulation bestimmten Flugzeiten
approximiert. Die Reaktion der Airlines auf die entstandenen Verspätungen
wird durch ein Schedule-Recovery-Modell repliziert.
In Cohn / Barnhart (2000) wird ein Verfahren zur robusten Flugzeugzuord-

nung56 präsentiert. Dabei werden für eine Flugzeugzuordnung, die zunächst
ohne Berücksichtigung der Unsicherheitsaspekte bestimmt wurde, mehrere
mögliche Störungsszenarien generiert, die an das Flugplanwiederherstel-
lungsmodell übergeben werden. Mit dem Flugplanwiederherstellungsmodell
werden dann die Kosten sowie die Zuverlässigkeits- und Robustheitskenn-
zahlen der Flugzeug-, Crew- und Passagiernetzwerke für diese Zuordnungs-
variante bei unterschiedlichen Störungsszenarien evaluiert. Als optimal wird
56
Fleet-Assignment-Modell
eine Flugzeugzuordnung deklariert, die sowohl mit minimalen operativen Kos-

ten verbunden ist als auch sich bei Störungen am stabilsten verhält.
Simulationsbasierte Berechnungen der Robustheits- und Zuverlässigkeitsma-

ße der Zugfahrpläne, die sich auf die Flugplanung übertragen lassen, finden
sich z.B. auch in Hallowell / Harker (1998) sowie in Carey / Carville (2000).
116
Kapitel 5: Darstellung der Unsicherheitsaspekte mit

Hilfe der Theorie der Fuzzy-Mengen
5.1 Einführung
In den beiden vorangegangenen Kapiteln wurden deterministische Modelle
zur Flugplanoptimierung präsentiert und es wurde die Problematik geschildert,
die ein irregulärer Flugbetrieb auslöst, vor allem wenn die aus solchen Irregu-
laritäten resultierenden Unsicherheitsaspekte bezüglich Abflugs- und An-
kunftszeiten nicht im Planungsprozess berücksichtigt werden. Dieses Kapitel
zeigt nun mit Hilfe der Theorie der Fuzzy-Mengen die Methodologie zur reali-
tätsnahen Beschreibung und Integration jener Unsicherheitsaspekte in die
Flugplanoptimierung, die im Luftverkehr bezüglich der Zeitenlagen der Flüge
entstehen können. Zusätzlich werden die für die Entwicklung weiterer Kon-
zepte benötigten Grundlagen dieser Theorie dargelegt, die sich im Wesentli-
chen auf die in Rommelfanger (2002) verwendeten Notationen stützen. Au-
ßerdem finden sich hier Methoden zur Herleitung der Zugehörigkeitsfunktio-
nen für Fuzzy-Mengen. Abschließend erfolgt eine kritische Auseinanderset-
zung mit den Vor- und Nachteilen des Einsatzes der Fuzzy-Set-Theorie in der
Flugplanoptimierung.
5.2 Grundlagen der Theorie der Fuzzy-Mengen

5.2.1 Grundgedanke und Definition von Fuzzy-Mengen
In vielen theoretischen Modellen wird ein vollständiger Kenntnisstand über
die Ausprägungen der entscheidungsrelevanten Größen unterstellt. In der be-
trieblichen Realität ist solch ein kompletter und erschöpfender Informations-
stand jedoch nur sehr selten vorhanden. Am Beispiel des Luftverkehrs wurde
im vorangegangenen Kapitel bereits geschildert, dass die Daten, die als Input
für die Flugplanoptimierung fungieren, aus unterschiedlichen internen und ex-
ternen Gründen nur in Form von Richtwerten vorliegen und niemals exakt be-
kannt sind. Es wurde gezeigt, dass es z.B. auf Grund von unvorhersehbaren
Wetterbedingungen sowie Aktionen seitens Flugsicherung und Flughäfen
nicht möglich ist, alle Ausprägungen von Flug-, Warte- und Abfertigungszei-
ten während der Planungsperiode vollständig zu kennen. Man spricht in
einem solchen Fall von unscharfen Angaben, die die Einbeziehung von sub-
jektiven Vorstellungen, Erfahrungen und Wünschen in den Planungs- und
Optimierungsprozess notwendig machen. Bei diesen unscharfen Angaben
unterscheidet man intristische und informationale Unschärfe 1 . Intristische
1
Vgl. ROMMELFANGER, H. (2002), S. 4-5
Kapitel 5 Darstellung der Unsicherheitsaspekte mit der Theorie der Fuzzy-Mengen 117
Unschärfe liegt vor, wenn ein Begriff nicht genau definiert ist. Bei der informa-
tionalen Unschärfe ist der Begriff hingegen genau definiert, es ist aber un-
möglich, die Menge der durch diesen Begriff spezifizierten Objekte klar abzu-
grenzen, da die dafür notwendigen Informationen fehlen. Um die Unschärfe in
die mathematischen Modelle integrieren zu können, wird eine formale Dar-
stellung der unscharfen Größen benötigt. Die von Zadeh 1965 erstmals vor-
gestellte Theorie der Fuzzy-Mengen2, die eine Verallgemeinerung der klassi-
schen Mengentheorie darstellt, ermöglicht die Erfassung und Verarbeitung
von Unschärfe. Im Unterschied zu den klassischen Mengen, in denen genau
festgelegt ist, ob ein Element ihr Bestandteil ist oder nicht, zeichnen sich die
Fuzzy-Mengen dadurch aus, dass ihnen ihre Elemente nur zu einem be-
stimmten Grad angehören. Dieser wird üblicherweise als der Zugehörigkeits-
grad bezeichnet und nimmt Werte zwischen Null und Eins ein, wobei der
Wert Null den Ausschluss des jeweiligen Elements aus der Menge ausdrückt.
Der Zugehörigkeitsgrad von Eins bedeutet dagegen, dass ein Element am
ehesten zu einer Menge gehört.
Definition 1: Eine Fuzzy-Menge Ã auf einer beliebigen Grundmenge X ist die

Menge
A = §¨ x, µ A ( x), x ∈ X ·¸ (5.1)
© ¹
bestehend aus den Elementen x ∈ X und ihren Zugehörigkeitsgraden µÃ(x) ∈

[0,1]. Dabei bezeichnet man µÃ(x)→ [0,1] als Zugehörigkeitsfunktion von Ã =
( x, µ A ( x), x ∈ X )
Die Zugehörigkeitsfunktion, die eine Abbildung der subjektiven Bewertungen
von einzelnen oder mehreren Individuen darstellt3, hängt eindeutig mit der
Fuzzy-Menge zusammen und ist reellwertig 4 . Die Mengen im Sinne der
klassischen Mengenlehre ergeben sich bei einer solchen Formulierung als
ein Spezialfall der Fuzzy-Mengen, für den Fall, dass die Zugehörigkeitsfunkti-
on nur die Werte Null und Eins annimmt.
Weitere benötigte Basisdefinitionen werden im folgenden Abschnitt darge-

stellt.
2
siehe ZADEH, L. A. (1965)
3
Vgl. ROMMELFANGER, H. (2002), S. 8
4
Vgl. KEHR, J. (1995), s. 46
118 Kapitel 5 Darstellung der Unsicherheitsaspekte mit der Theorie der Fuzzy-Mengen
5.2.2 Basisdefinitionen der Theorie der Fuzzy-Mengen

Definition 2: Als stützende Menge einer Fuzzy-Menge Ã bezeichnet man
eine klassische Menge
supp(Ã) = { x ∈ X µ A ( x) > 0} (5.2)
Definition 3: Als Komplement einer Fuzzy-Menge Ã wird die Fuzzy-Menge

mit Zugehörigkeitsfunktion
µcomplA ( x) = 1 − µ A ( x), ∀x ∈ X (5.3)
bezeichnet.
Definition 4: Für eine Fuzzy-Menge Ã und eine reelle Zahl α ∈ [0,1] bezeich-
net man die klassische Menge
Aα = { x ∈ X µ A ( x) ≥ α } (5.4)
als α-Niveau-Menge von Ã.

5
Definition 5: Eine konvexe, normalisierte Fuzzy-Menge Ã auf Basis der reel-
len Zahlen ℜ wird Fuzzy-Zahl genannt, wenn
• genau eine reelle Zahl x existiert, für die gilt µA(x)=1
• µÃ(x) stückweise stetig ist
Definition 6: Eine konvexe, normalisierte Fuzzy-Menge Ã auf Basis der

reellen Zahlen ℜ wird Fuzzy-Intervall genannt, wenn
• mehr als eine reelle Zahl x existiert, für die gilt µÃ(x)=1
• µÃ(x) stückweise stetig ist
Um für die herkömmlichen mathematischen Verfahren entsprechende Verfah-

ren für die Fuzzy-Mengen herzuleiten und somit die Unschärfe z.B. in Opti-
mierungsmodelle zu integrieren, wird eine Regel benötigt, mit deren Hilfe
man die Definitionsbereiche der Fuzzy-Mengen bei der Durchführung der
arithmetischen Operationen auf diesen Mengen erweitert. Die mathemati-
schen Operationen lassen sich als Abbildungen f: X → Y interpretieren, wobei
die Basismenge X durch eine bestimmte Transformationsvorschrift y = f(x1,...,
5
Eine Fuzzy-Menge Ã ist dann normiert, wenn die Zugehörigkeitsgrade ihrer Elemente nicht größer als Eins
sind und mindestens ein Element mit einem Grad von genau Eins existiert. Ferner heißt sie konvex, wenn für
eine Basismenge X µÃ (λx1+(1-λ)x2) min(µÃ (x1), µ Ã (x1)), ∀ x1, x2 ∈ X, ∀ λ ∈[0,1], gilt. Dies bedeutet,
dass der Funktionsverlauf der Menge X keine Sub-Optima aufweisen darf
xn) auf die Menge Y abgebildet werden kann. Auf diese Weise können auch
die Werte von Fuzzy-Mengen in eine scharfe Abbildungsmenge überführt
werden. Mit dem so genannten Erweiterungsprinzip, das jedem Wert der so
gebildeten scharfen Mengen einen Zugehörigkeitsgrad zuordnet, werden
dann die entsprechenden Fuzzy-Mengen der scharfen Abbildungen hergelei-
tet6. Nach dem Erweiterungsprinzip von Zadeh, einem der grundlegenden
Konzepte der Fuzzy-Theorie, entsteht für eine beliebige nicht leere klassische
Menge Y durch die Abbildung f: X → Y – wobei X das kartesische Produkt
der Mengen X1 ×...× Xn repräsentiert – eine Fuzzy-Menge Ã mit der Zugehö-
rigkeitsfunktion
( (
° sup min µ A1 (x1 ),..., µ An ( x n ))) falls f -1(y) ≠ ∅
µ A (x ) = ® −1
x∈ f ( y) (5.5)
°̄ 0 sonst
-1
wobei f (y) die Urbildmenge von Y symbolisiert.
Nach dem Erweiterungsprinzip werden also die Zugehörigkeitsgrade der

durch die arithmetischen Operationen auf Fuzzy-Mengen gebildeten Mengen
festgelegt, indem man zunächst das Minimum der Zugehörigkeitsgrade der
Elemente x1,..., xn für jeden durch die Abbildung y = f(x1,..., xn) bestimmten
Wert der neuen Menge kalkuliert und anschließend den höchsten7 Zugehö-
rigkeitsgrad für die gleichen Elemente der neu gebildeten scharfen Menge
berechnet.
5.3 Modellierung der Unsicherheit mit Hilfe der Theorie der

Fuzzy-Mengen
5.3.1 Gestalt und Interpretation der Zugehörigkeitsfunktionen
Eines der zentralen Elemente der Theorie der Fuzzy-Mengen sind die
Zugehörigkeitsfunktionen, die benötigt werden, um die Unschärfe zu quan-
tifizieren und somit in die mathematischen Modelle zu integrieren.
Gewöhnlich werden die Fuzzy-Mengen in der Literatur mit Hilfe von drei-
ecks- 8 , trapez- und glockenförmigen Zugehörigkeitsfunktionen modelliert.
Prinzipiell können die Zugehörigkeitsfunktionen jedoch auch andere Gestal-
6
Vgl. KEHR, J. (1995), S. 49
7
Es existieren jedoch Vorschläge, das Supremium durch die algebraische Summe zu ersetzen, siehe
ROMMELFANGER, H. (2002), S. 36
8
zu den Vorteilen der dreieckigen Form der Zugehörigkeitsfunktionen siehe PEDRYCZ, W. (1993)
ten annehmen9, die sich aus den parametrischen Verteilungen ergeben, falls
dadurch die Realwelt besser abgebildet werden kann. Abbildung 5.1 zeigt die
Verläufe einiger Zugehörigkeitsfunktionen.
(stückweise) linear Dreieckig Trapezförmig

1 1 1
0 0 0
S-förmig konkav konvex

1 1 1
0 0 0
Abbildung 5.1: Mögliche Typen von Zugehörigkeitsfunktionen
Die Zugehörigkeitsfunktionen der Fuzzy-Zahlen bzw. Fuzzy-Intervalle werden

in der Literatur oft durch die so genannte LR-Darstellung vorgegeben.
Dadurch wird das Zurückgreifen auf einfache Funktionstypen sowie eine
schnelle und unkomplizierte Ausführung von arithmetischen Rechenoperatio-
nen auf Fuzzy-Mengen durch die Spezifikation von bestimmten Näherungs-
regeln ermöglicht. Zur Erläuterung der LR-Darstellungsform wird zunächst
der Begriff Referenzfunktion eingeführt.
Definition 7: Eine Funktion L: [0, +∞) wird als Referenzfunktion von Fuzzy-
Zahlen bezeichnet, wenn sie folgende Bedingungen erfüllt:
• L(0) = 1
• L ist nicht steigend in [0, +∞)
Definition 8: Eine Fuzzy-Zahl A wird als L-R-Fuzzy-Zahl bezeichnet, wenn

ihre Zugehörigkeitsfunktion mit den Referenzfunktionen L und R wie folgt dar-
gestellt werden kann:
9
Einen guten Überblick über die in der Literatur vorfindbaren formalen Beschreibungen der parametrischen
Zugehörigkeitsfunktionen geben z.B. DOMBI, J. (1990) S. 3ff. und SMITHSON, M. (1988), S. 77ff.
§m−x·
° L ¨© α ¸¹ für x ≤ m, α > 0
°
µ A ( x) = ® (5.6)
°R § x − m · für m < x, β > 0
°¯ ¨© β ¸¹
Die Parameter α und β werden Spannweiten der L-R-Fuzzy-Zahl genannt.

Sie bestimmen den Grad der Unschärfe der Fuzzy-Zahl. Der Wert m gibt den
=
Gipfelpunkt der Fuzzy-Zahl vor. Die Schreibweise der LR-Darstellung ist: A
(m,α,β)LR.
Zur fehlerfreien und sinngemäßen Abbildung der Sachverhalte der Realwelt

in den mathematischen Modellen ist es unabdingbar, die Interpretation der
Mengenzugehörigkeit, über die, wie oben dargestellt, die Zugehörigkeitsfunk-
tionen der Fuzzy-Mengen bestimmt werden, richtig zu verstehen. Die Zuge-
hörigkeit kann aus der subjektiven Möglichkeit des Auftretens gewisser
Ereignisse oder Werte abgeleitet werden. Um dies zu verdeutlichen, werden
folgende Begriffe eingeführt:
Definition 9: Eine auf S ⊆ ℘(X) definierte Funktion ∏: S → [0,1] heißt

Möglichkeitsmaß auf S, wenn gilt:
• ∏(∅) = 0
• ∏(X) = 1
• A1 , A2 ,... ∈ S ∏ §¨ Ai ·¸ = sup ∏ ( Ai ) 10
©i ¹ i
Dabei bezeichnet ℘(X) die Potenzmenge von X.
Definition 10: Die Möglichkeitsverteilung einer Variablen G auf der Grund-

menge X ist die Funktion πG:X → [0,1], wenn gilt: sup π G ( x) = 1
x∈ X
Das Möglichkeitsmaß lässt sich wie folgt mittels der Möglichkeitsverteilung
darstellen:
∏G ( B) = sup π G ( x), ∀B ⊆ X (5.7)

x∈B
Wird die Möglichkeitsverteilung durch die normalisierte Zugehörigkeitsfunkti-

on µ vorgegeben, so kann das Möglichkeitsmaß wie folgt spezifiziert wer-
den11:
10
Für endliche X genügt die Bedingung ∏(A∪B) = max(∏(A), ∏(B)), ∀A, B ∈ X
11
Vgl. RABETGE, C. (1991), S. 22
∏( B) = sup π G ( x) = sup µ ( x), ∀B ⊆ X (5.8)

x∈B x∈ X
Die Möglichkeit stellt eine schwächere Bewertung der Ereignisse dar als die
Wahrscheinlichkeit. Dies resultiert daraus, dass die wahrscheinlichen Ereig-
nisse auch möglich sein müssen. Der Umkehrschluss ist jedoch nicht immer
zutreffend. Somit fungieren die Wahrscheinlichkeitswerte als die untere Gren-
ze für die entsprechenden Möglichkeitswerte:12
∏(A) ≥ P(A), ∀ A ∈ S, (5.9)
mit
P(A) – Wahrscheinlichkeitsmaß eines Ereignisses 13.
Es ist wichtig anzumerken, dass die hier beschriebene Möglichkeit nur die
subjektive Bewertung der Möglichkeit für die Realisierung bestimmter
Ereignisse, nicht aber die physikalische Möglichkeit ausdrückt14. Die Möglich-
keitswerte brauchen zudem im Unterschied zu den auf dem Intervall [0,1]
metrisch skalierten Wahrscheinlichkeitswerten lediglich ordinal skaliert zu
sein. Dubois / Prade (1989) sprechen in diesem Zusammenhang von zwei
Ausprägungen der Möglichkeit: Die erste Ausprägung bedeutet dabei die
Einfachheit des Erreichens eines Wertes oder Zustandes im Sinne des
Satzes "es ist möglich, für den Flug der Airline XY von Frankfurt nach
Bangkok eine Verspätung von 30 Minuten zu haben". Die zweite Interpretati-
on der im Rahmen der Theorie der Fuzzy-Mengen relevanten Möglichkeit
drückt dagegen die Kompatibilität mit den verfügbaren Informationen aus und
lässt sich durch den Satz "es ist möglich, dass morgen der Flug von Frankfurt
nach Bangkok der Airline XY eine Verspätung aufweist" erläutern.
Zur Herstellung von Flugplänen, die im Hinblick auf sowohl die erwarteten
Passagierumsätze als auch auf die Verspätungskosten optimal sind, müssen
in dieser Arbeit die Unsicherheiten bezüglich der Realisationen der Abflugs-
und Ankunftszeiten der Flüge abgebildet und bewertet werden. Um diese
Unsicherheiten zu modellieren, werden die tatsächlichen Abflugs- und
12
Vgl. DUBOIS, D. / PRADE, H. (1986), S. 347
13
Eine auf S ⊆ ℘(X) definierte Funktion P: S → [0,1] heißt Wahrscheinlichkeitsmaß, wenn gilt:
- A ∈ S P(A) ≥ 0
- P(X) = 1
( )
- A1,A2,... ∈ S und Ai ∩ Aj = ∅ ∀ i ≠ j P A = P ( A )
i
i ¦
i
i
14
Vgl. ROMMELFANGER, H. (2002), S. 53
Ankunftszeiten15 der Flüge als Fuzzy-Mengen dargestellt. Die Zugehörigkeits-

funktionen der entsprechenden Fuzzy-Mengen geben bei einer solchen
Vorgehensweise die Zugehörigkeit bestimmter Ausprägungen der Zeitenla-
gen der Flüge zu der Menge der tatsächlichen Abflugs- und Ankunftszeiten
an. Durch die Möglichkeitsmaße bzw. die Möglichkeitsverteilungen werden
dabei die Einschätzungen der Modellbenutzer bezüglich der Möglichkeit für
die Realisierung bzw. die Eintrittschancen unterschiedlicher Abflugs- und
Ankunftszeiten ausgedrückt. Zusätzlich zu dieser Einschätzung können auch
weitere subjektive Aspekte, wie Wünsche, Erwartungen und Erfahrungen der
Experten, in die Spezifikation von Zugehörigkeitsgraden einfließen.
Durch die Eingabe der subjektiven Vorstellungen bezüglich der Länge bzw.
der Anfangs- und Endzeitpunkte gewisser Ereignisse geben die Experten
auch ihre Einstellung zu den Faktoren an, die diese Ereignisse beeinflussen.
Spezifiziert z.B. der Experte die Zugehörigkeitsfunktion für die Ankunftszeit
eines Fluges, so prognostiziert und analysiert er die mögliche Auslastungssi-
tuation am Startflughafen dieses Fluges, die im ungünstigen Fall zu Verspä-
tungen führen kann. Zudem muss er für die Ausführungsperiode des
Flugplans z.B. auch die Aktionen der Flugsicherungszentralen und die
eventuellen negativen Wettereinwirkungen sowie andere ihm relevant er-
scheinende Parameter analysieren und berücksichtigen. Erfolgt dagegen die
Herleitung der Zugehörigkeitsfunktionen ausschließlich auf historischen
Daten, ohne dabei das subjektive Wissen und die Erfahrung des Experten
bezüglich der möglichen Änderungen der Einflussfaktoren einzubeziehen, so
wird die Gleichheit der Rahmenbedingen in vergangenen Perioden und in der
Planperiode unterstellt, was den Sachverhalten der Realität widerspricht.
Basiert man die Zugehörigkeitsfunktionen auf der subjektiv wahrgenomme-

nen Möglichkeit des Eintretens unterschiedlicher Zeitenlagen der Flüge, so
können mit den Zugehörigkeitsfunktionen subjektive linguistische Behauptun-
gen der Experten bezüglich Start-, End- oder Flugzeit dieser Flüge modelliert
werden wie "genau X Minuten", "zwischen X und Y Minuten", "spätestens bzw.
frühestens um Z Uhr" und "ungefähr um Z Uhr".16 Abbildung 5.2 zeigt mögli-
che Gestalten der Zugehörigkeitsfunktion für solche Behauptungen.
15
D.h. solche Abflugs- und Ankunftszeiten, die tatsächlich in der Ausführungsperiode der jeweiligen
Flugplans realisiert werden
16
Vgl. KEHR, J. (1995), S. 98-100
Genau 14:00 Zwischen 13:00 und 15:00

1 1
0 0
12:00 14:00 16:00 12:00 14:00 16:00
13:00 15:00 13:00 15:00
Frühestens 14:00 Spätestens 14:00

1 1
0 0
12:00 14:00 16:00 12:00 14:00 16:00

13:00 15:00 13:00 15:00
Ungefähr 14:00 Frühestens 12:00 und

spätestens 16:00
1 1
0 0
12:00 14:00 16:00 12:00 14:00 16:00
13:00 15:00 13:00 15:00
Abbildung 5.2: Modellierung der subjektiven Aussagen der Entscheider bezüglich der
Zeitenlagen der Ereignisse
5.3.2 Rangordnung und Vergleich der als Fuzzy-Mengen dargestellten

Abflugs- und Ankunftszeiten der Flüge
Um die Reihenfolge des zeitlichen Auftretens der durch die Fuzzy-Mengen
definierten Ankunftszeit eines Zubringerfluges und der Abflugszeit eines
Anschlussfluges beurteilen zu können, ist ein Größenvergleich der entspre-
chenden Fuzzy-Mengen notwendig. Im Gegensatz zu reellen Zahlen sind
Fuzzy-Mengen nicht wohlgeordnet, sondern sie geben Intervalle vor, deren
Werte bestimmten Mengen mit einem gewissen Zugehörigkeitsgrad angehö-
ren. Der Größenvergleich von zwei Fuzzy-Zahlen oder -Mengen A und B
kann somit entweder durch eine eindeutige Ja-/Nein-Antwort oder durch die
ist größer(-gleich)
Angabe eines Gültigkeitsgrades für die Behauptungen " A
B " oder " A ist kleiner(-gleich) B " erfolgen.17 Das Ergebnis des Vergleichs ist
im ersten Fall eine Fuzzy-Zahl und im zweiten Fall eine Fuzzy-Relation18. Der
Vergleich von Fuzzy-Mengen wird mit Hilfe von Präferenz- und Rangord-
nungsverfahren realisiert. Es existieren zahlreiche Publikationen, die sich mit
der Darstellung und Entwicklung diverser Rangordnungsverfahren befassen19.
Die Grundidee dieser Verfahren besteht im Wesentlichen in der Kalkulation
einer als ein Zugehörigkeitsgrad zu interpretierenden Kennzahl µ(i) für jede
der zu vergleichenden Fuzzy-Mengen A . Aus der Ordnung der so berechne-
i
ten Kennzahlen wird dann die Rangordnung der Fuzzy-Mengen abgeleitet:
Ai ≥ A j ⇔ µ (i ) ≥ µ ( j ) (5.10)
Die Präferenz- und Ordnungsverfahren werden oft in verschiedenen Fuzzy-

Scheduling-Modellen zur Zeitanalyse der Vorgänge, wie z.B. zur Ermittlung
der frühesten bzw. spätesten Zeitpunkte für die Ausführung von bestimmten
Ereignissen oder zur Berechnung von Pufferzeiten, herangezogen. Die für
diese Arbeit im Zusammenhang mit Fuzzy-Zugehörigkeitsgraden der Abflugs-
oder Ankunftszeiten der Flüge relevante Fragestellung besteht in der Be-
stimmung der Eintrittschancen für das Nichterreichen einer Anschlussverbin-
dung aufgrund der Tatsache, dass die Abflugszeit des Anschlussfluges
später als die um die MCT verlängerte tatsächliche Ankunftszeit des Zubrin-
gers liegt. Am Beispiel eines der einfachsten Präferenzordnungsverfahren,
der so genannten ρ-Präferenz, soll hier demonstriert werden, dass sich die
Präferenz- und Ordnungsverfahren für die Beantwortung der in dieser Arbeit
interessierenden Fragestellung nicht eignen.
Definition 11 (ρ-Präferenz): Sei ρ ∈ [0, 1] die kleinste reelle Zahl, für die für
zwei Mengen A ∈℘(X~ ) und B ∈℘(~X) die Ungleichung
Inf A ≥ Sup B , ∀ ρ ∈ [0, 1]
α α
(5.11)
gilt und für wenigstens ein α die Ungleichung (5.11) im strengen Sinne erfüllt
ist. Aα = {x ∈ X | µA(x) ≥ α} und Bα = {x ∈ X | µB(x) ≥ α} bezeichnen dabei
17
18
Als eine n-stellige Fuzzy-Relation zwischen n klassischen Mengen bezeichnet man jene Fuzzy-Menge R =
{((x1,..., xn), µR(x1,..., xn)) | (x1,..., xn) ∈ X1 ×...× Xn} auf dem kartesischen Produkt X1 ×...× Xn
19
Dazu siehe z.B.: LITOIU, M. / TADEI, R. (2001), S. 41ff.; BORTOLAN, G. / DEGANI, R. (1985), S. 3ff.;
LIOU, T.S. / WANG, M.JJ. (1992), S. 248ff.; FORTEMPS, P. / ROUBENS, M. (1996), S. 320ff.; ROMMEL-
FANGER, H. (1986), S. 219ff.
und B . Dann wird die Menge A der Menge B auf

die α-Niveau-Mengen von A
dem Niveau ρ vorgezogen und man schreibt A >ρ B .
Die Abbildung 5.3 zeigt die Präferenzrelation für den Vergleich zweier Fuzzy-
und B repräsentieren dabei jeweils die Abflugszeit des
Zahlen. Die Zahlen A
Anschlussfluges und die um die Minimum Connecting Time verlängerte
Ankunftszeit des Zubringerfluges.
~ ~
µ B A
ρ=0
x
~ ~
µ A B
ρ 0 <ρ < 1
x
Aα Bα
µ
~
B
ρ=1
~
A
x
µA~ µB~
Abbildung 5.3: ρ -Präferenz für den Vergleich der Ankunfts- und Abflugszeiten.
Für die Berechnung der Verspätungskosten ist es wichtig zu ermitteln, ob und

.
um wie viel die oben definierte Fuzzy-Zahl B größer ist als die Fuzzy-Zahl A
Aus Abbildung 5.3 erkennt man, dass ein Präferenzrangordnungsverfahren
die interessierende Fragestellung nach dem möglichen Anteil der Fälle, in de-
nen die Passagiere ihre Anschlussverbindung nicht erreichen, nur bei einem
ρ -Wert von Null richtig beantwortet. Bei den im Intervall (0, 1) liegenden
Werten von ρ kann zwar festgestellt werden, ob ausgehend von Fuzzy-
Zugehörigkeitsfunktionen der Zeitenlagen eine Verspätung zustande kommen
kann, es wird jedoch nicht geklärt, ob die durch die rechte Seite der Zugehö-
rigkeitsfunktion der Zahl A ausgedrückten verspäteten Abflüge der An-
schlussflüge einige Verspätungen der Zubringer kompensieren können und
zu keinen passagierbezogenen Verspätungskosten führen. Es wird ebenfalls
nicht der Tatsache Rechnung getragen, dass die linke Seite der Zugehörig-
keitsfunktion der Fuzzy-Zahl A , die die "früheren als geplanten" Abflüge
abbildet, irrelevant bzw. in vielen Fällen zu vernachlässigen ist. Das ρ-
Präferenzniveau von Eins suggeriert zwar die Sicherheit, dass die Verspä-
tungen der Zubringerflüge die gebuchten Transferverbindungen auseinander
reißen, die Möglichkeit der Kompensation der Verspätungen durch spätere
Abflüge des Anschlussflüge wird hier aber ebenfalls nicht berücksichtigt.
Da sich die Präferenz- und Ordnungsverfahren nicht zur Feststellung des An-
teils der verspäteten Passagiere eignen, muss im Rahmen dieser Arbeit ein
Verfahren entwickelt werden, mit dem diese Fragestellung beantwortet wer-
den kann. Im Kapitel 7 wird solch ein Verfahren präsentiert.
5.3.3 Herleitung der Zugehörigkeitsfunktionen für Fuzzy-Abflugs- und

Ankunftszeiten
Im Rahmen der vorliegenden Arbeit wird ein Modell zur quantitativen Flug-
planoptimierung entwickelt, das von der Unsicherheit der Abflugszeiten aus-
geht. Hierfür wird die Erfassung der Unschärfe der Zeitenlagen einzelner Flü-
ge erforderlich, die auf den Vergangenheitsdaten und den subjektiven Erfah-
rungen und Wünschen der Entscheider basiert. Dies bedeutet, dass die histo-
rischen Verteilungen der Zeitenlagen analysiert, entsprechend den Vorstel-
lungen der für die Flugplanung zuständigen Personen angepasst und in die
Zugehörigkeitsfunktionen überführt werden müssen. Diese Vorgehensweise
ist jedoch mit einigen Schwierigkeiten verbunden: Zum einen ist die Transfor-
mation der statistischen Daten in die Zugehörigkeitswerte nicht trivial. Sie
muss eine sinnvolle Übertragung der Häufigkeitsangaben in Zugehörigkeits-
grade sowie die Vereinbarkeit der hergeleiteten Zugehörigkeitsfunktionen mit
den auf dem Standard-Erweiterungsprinzip basierenden Operatoren gewähr-

leisten20. Zum anderen sind die Entscheider oft nicht in der Lage, ausgehend
von den vorliegenden Informationen die genaue Gestalt der Zugehörigkeits-
funktion anzugeben. Die Komplikationen bei der Angabe der subjektiven Zu-
gehörigkeitswerte resultieren im Wesentlichen aus der unterschiedlichen In-
terpretation der Unschärfe seitens mehrerer Personen sowie aus der fehlen-
den Nachvollziehbarkeit der inhaltlichen Bedeutung der Mengenzugehörig-
keit21.
Zur Vermeidung der mit der Herleitung der Zugehörigkeitsfunktionen verbun-

denen Probleme und somit zur bestmöglichen Abbildung der Unschärfe wur-
den mehrere pragmatische Verfahren entwickelt, auf die zurückgegriffen
werden kann, wenn die Zugehörigkeitsgrade der Zeitenlagen der Flüge spezi-
fiziert werden. Sie werden in den nachfolgenden Abschnitten präsentiert. Zu-
vor werden allerdings die grundsätzlichen Anforderungen an solche Verfah-
ren skizziert22:
• Das herangezogene Verfahren muss es ermöglichen, dass die gleichen
Zugehörigkeitswerte, die sich bei unterschiedlichen Größen der Modellva-
riablen ergeben, stets die gleiche Bedeutung haben
• Es dürfen nicht mehr Informationen abgefragt werden, als der Entscheider
verfügt oder zu geben bereit ist
• Der zur Herleitung der Zugehörigkeitsfunktionen notwendige Aufwand
muss angemessen sein
• Die Verfahrensergebnisse müssen für den Entscheider nachvollziehbar
sein.
Grundsätzlich können die Zugehörigkeitsgrade der Fuzzy-Mengen entweder

auf Basis der Vergangenheitsdaten oder – falls solche Daten nicht existieren
oder für die zu untersuchende Periode nicht repräsentativ sind – durch die
Abfrage der subjektiven Vorstellungen der einzelnen oder mehrerer Personen
ermittelt werden. In den nachfolgenden Abschnitten werden beide Arten der
Zugehörigkeitswertebestimmung dargestellt.
5.3.3.1 Ableitung der Zugehörigkeitsfunktionen aus Häufigkeiten sowie

aus Wahrscheinlichkeits- bzw. Dichteverteilungen
Zwischen der beobachteten Häufigkeit des Eintretens eines bestimmten Er-
20
21
Vgl. KEHR, J. (1995), S. 89
22
Vgl. RABETGE, C. (1991), S. 52; MEGAGLIA, A. / SHU-CHERNG, F. / NUTTLE H. et al. (2002), S. 85
eignisses und der subjektiv wahrgenommenen Möglichkeit für seine Realisie-

rung besteht ein gewisser Zusammenhang. Sind statistische Daten über die
historischen Ausprägungen einer Größe vorhanden, liegt es daher nahe,
diese Daten zur Herleitung der entsprechenden Möglichkeits- bzw. Zugehö-
rigkeitsgrade heranzuziehen23. Allerdings muss eine solche Transformation
der auf den Häufigkeitsangaben basierenden Wahrscheinlichkeits- bzw.
Dichteverteilungen stets konsistent mit den Konzepten der Theorie der
Fuzzy-Mengen sein. Dies bedeutet, dass die hergeleiteten Fuzzy-
Zugehörigkeitsfunktionen die Anwendung der auf dem Erweiterungsprinzip
basierenden Fuzzy-arithmetischen Operatoren zulassen müssen. Außerdem
muss beachtet werden, dass die ausschließlich auf Fakten basierenden
Wahrscheinlichkeiten und die die qualitativen Aussagen der Individuen
beschreibenden Fuzzy-Mengen, deren Berechnungsergebnisse immer den
subjektiven Bewertungscharakter beinhalten, unterschiedliche Repräsentati-
onen der Unschärfe abbilden. Bei der Angabe der subjektiven Vorstellungen
der Individuen als einer Möglichkeitsverteilung kann die Herleitung der
Zugehörigkeitsfunktionen auf der Transformation der Vergangenheitsdaten in
die Möglichkeitswerte basieren.
Dubois / Prade (1986) schlagen zwei Methoden zur Überführung der Häufig-
keiten bzw. Wahrscheinlichkeiten in die Möglichkeitswerte vor: Die erste und
die einfachste Methode besteht in der Berechnung der Möglichkeitsgrade
π1,π2,...,πn der Umweltzustände Ω = w1,w2,...,wn durch die Normierung der
aus den diskreten Häufigkeitsangaben resultierenden Wahrscheinlichkeits-
werte pi, i = {1,2,...n}:
1
πi = ⋅ pi , ∀i ∈ {1, 2,..., n} (5.12)
max pi
i =1,2,..., n
Die durch die Formel (5.12) gewonnene Möglichkeitsverteilung erfüllt zwar

die Bedingungen ∏(Ω) = 1 und πi ≥ pi, eine Bedingung, die die Beziehung
zwischen den Wahrscheinlichkeits-, Möglichkeits- und Notwendigkeitsmaßen
angibt, wird allerdings nicht immer eingehalten24. Darüber hinaus existiert hier
keine inhaltliche Fundierung für die Verwendung der aus relativen Häufigkei-
ten abgeleiteten Möglichkeitswerte.
23
24
∏(A) ≥ P(A) ≥ ℵ(A), mit ℵ(A) =1 – ∏(compl(A)), ∀ A ∈ S als Notwendigkeitsmaß. Das Notwendigkeitsmaß
ergibt sich aus der doppelten Negation und lässt sich als die Unmöglichkeit des Eintretens eines Gegener-
eignisses oder die Sicherheit des Eintretens eines Ereignisses interpretieren
In der zweiten Methode werden die Möglichkeitsgrade durch den Vergleich

der relativen Häufigkeit eines bestimmten Ereignisses mit der maximalen re-
lativen Häufigkeit aller untersuchten Ereignisse geschätzt. Basierend auf die-
sem Zusammenhang zwischen der Möglichkeits- und der Wahrscheinlich-
keitsverteilung werden die Möglichkeitsgrade in Abhängigkeit von den Häufig-
keiten p1 ≥ p2 ≥... pn kalkuliert:
n
π 1 = ¦ p i = 1,
i =1
... n
π j = jp j + ¦p k (j = 1, n – 1), (5.13)
... k = j +1
π n = np n
Abbildung 5.4 auf der nächsten Seite demonstriert den Verlauf der mit dem
Ausdruck (5.13) transformierten Dichtefunktion25.
Ein anderes Verfahren zur Transformation der Häufigkeitsangaben bzw. der

Dichtefunktionen der Wahrscheinlichkeitsverteilungen, die aus statistischen
Daten hergeleitet wurden, in die Möglichkeitswerte wurde von Civanlar /
Trussell (1986) vorgestellt. Die Möglichkeitswerte werden dabei ausgehend
von der folgenden Formel berechnet:
° λ p(x) falls λ p(x) < 1

µ(x) = ® (5.14)
°̄ 1 falls λ p(x) ≥ 1
Dabei steht p(x) für die Werte der aus dem Häufigkeitshistogramm geschätz-
ten Dichtefunktion und λ ist ein Multiplikator, dessen Wert durch die Lösung
des in der nachfolgenden Gleichung präsentierten Optimierungsprogramms
ermittelt wird:
L (µ , λ ) =
1 ∞
2 ³− ∞
{ }
I (λ p (x ))(λ p ( x ) − 1) − λ 2 p ( x ) ⋅dx + λ c → max
2 2
(5.15)
mit
° 0 falls x ≤ 1
I(x) = ®
°̄ 1 sonst
c– gewähltes Konfidenzniveau
25
Die Dichtefunktion ist die Beta-Verteilung mit α = 1 und β = 6 auf dem Werteintervall [0:24]
Die Autoren zeigen auch, dass die Optimierung der Formel (5.15) Ergebnisse
liefert, die mit der Lösung der folgenden Gleichung identisch sind:
L (µ , λ ) = ³
∞
−∞
{I (λp (x )) p (x ) + [1 − I (λp (x ))]λp (x )}⋅dx − c = 0
2
(5.16)
Verlauf
Verlauf der
der Dichte-
Dichte- und
und Möglichkeitsfunktionen
Möglichkeitsfunktionen
Werte der Werte der

Möglichkeits- Wahrscheinlich-
funktion keitsverteilung
1,0
20,0%
0,8
15,0%
0,6
10,0%
0,4
0,2 5,0%
0,0 0,0%
0:00 0:10 0:20 0:30 0:40 0:50 1:00 1:10 1:20 1:30 1:40 1:50
Zeitachse (Ausprägungen der Grundgesamtheit)
Dichtefunktion der Wahrscheinlichkeitsverteilung

Möglichkeitsfunktion nach Dubois / Prade
Möglichkeitsfunktion nach Civinlar / Trussell
Abbildung 5.4: Verlauf der Dichte- und der Möglichkeitsfunktion bei Transformation mit
dem Verfahren von Dubois / Prade und Civanlar / Trussell (Quelle: eigene Berechnungen)
Abbildung 5.4 zeigt den Verlauf der durch den Ausdruck (5.16) bestimmten
Möglichkeitsfunktion, die sich bei der Transformation der Beta-Verteilung bei
einem Konfidenzniveau von 95% (c = 0,95) ergibt.
Wie Abbildung 5.4 zeigt, können sich bei der Anwendung des von Civanlar /
Trussell entwickelten Transformationsverfahrens bei bestimmten Verläufen
der Dichtefunktion sowie bei einem entsprechenden Konfidenzniveau sehr
hohe Möglichkeitsgrade für moderate Werte der Wahrscheinlichkeitsvertei-
lung ergeben, was die Nachvollziehbarkeit der Verfahrensergebnisse deutlich
mindert. Außerdem sind die Ergebnisse dieses Verfahrens abhängig vom ge-
wählten Konfidenzniveau und nicht immer konsistent mit den Konzepten der
Möglichkeits- und Wahrscheinlichkeitstheorie26.
Da das Möglichkeitsmaß schwächer als das Wahrscheinlichkeitsmaß ist 27 ,

gehen bei der Anwendung der Verfahren zur Transformation der Wahrschein-
lichkeits- in die Möglichkeitsverteilungen Informationen verloren. Dies ist ein
Grund dafür, dass die aus den historischen Häufigkeitswerten hergeleiteten
Möglichkeitsverteilungen lediglich eine Basis für die in quantitativen Modellen
zur Abbildung der Unsicherheit verwendeten Zugehörigkeitsfunktionen bilden
können. Ein weiterer Grund besteht darin, dass die ausschließliche Verwen-
dung der Vergangenheitsdaten die Gültigkeit der unrealistischen und un-
tragbaren Annahme über die vollständige Gleichheit der Rahmen-
bedingungen in verschiedenen Perioden postuliert. Zur Einbeziehung des
subjektiven Wissens der Entscheider müssen daher die aus den Vergangen-
heitswerten transformierten Möglichkeitsverteilungen durch Angabe der
individuellen Einschätzungen modifiziert werden. Der nachfolgende Abschnitt
zeigt Techniken zum Abfragen des subjektiven Wissens der entsprechenden
Individuen.
5.3.3.2 Ableitung der Zugehörigkeitsfunktionen aus subjektiven

Aussagen
Da oft keine statistischen Daten vorliegen und aus den historischen Werten
nur eine Basisindikation für die Zugehörigkeitsfunktionen gebildet werden
kann, müssen die Zugehörigkeitsgrade durch Angaben der einzelnen Indivi-
duen oder Gruppen von Individuen bestimmt bzw. modifiziert werden. Es
existieren mehrere Methoden zum Abfragen der für die Herleitung der Zuge-
hörigkeitsgrade relevanten subjektiven Erfahrungen, Vorstellungen und Wün-
sche, die im Folgenden dargelegt werden28.
1. Meinungsumfrage
Bei Meinungsumfragen werden zur Ermittlung der Zugehörigkeit mehreren
Personen Fragen vom Typ "Sind Sie einverstanden, dass ein bestimmtes
Element zu der untersuchten Menge gehört?" gestellt. Die Ja-/Nein-Antwor-
26
Vgl. DUBOIS, D. / PRADE, H. / SANDRI, S. (1993), S. 110-111
27
Dies resultiert daraus, dass die Möglichkeit im Unterschied zur Wahrscheinlichkeit auf der Anordnung der
Ereignisse und nicht auf der Additivität der Ereignisse basiert: P(A+B) = P(A) + P(B) vs. Π(A+B) = max(Π(A),
Π(B)), bzw. Π (A) ≥ P(A)
28
Zu Methoden der Abfrage der Zugehörigkeitsgrade siehe etwa BILGIC, T. / TÜRKSEN, I. (1995);
SMITHSON, M. (1987), S. 77ff.; RABETGE, C. (1991), S. 59ff; VERKUILEN, J. (2001), S. 14ff.; SPIES, M.
(1993), S. 221ff; DUBOIS, D. / PRADE, H. (1989), S. 145ff; INUIGUCHI, M. / TANINO, T. / SAKAWA, M.
(2000), S. 38 ff.
ten werden aggregiert, daraus werden die Anteile der Ja-Antworten zur Her-
leitung der Zugehörigkeitsfunktionen berechnet.
2. Direkte Abfrage
Die einfachste Methode zur Herleitung der Zugehörigkeitsfunktion ist die di-
rekte Abfrage. Dabei müssen die befragten Personen ihre subjektiven Vor-
stellungen direkt und ohne Zwischentransformationen in die Zugehörigkeits-
grade überführen.
Zu den Vorteilen dieses Verfahrens gehört außer seiner Einfachheit noch die
Objektivität der Überführung der persönlichen Urteile der Experten. Diese
Objektivität resultiert aus der Unabhängigkeit von der angewandten Trans-
formationsmethode. Darüber hinaus kann das Verfahren bei der Ermittlung
der Zugehörigkeitswerte sowohl diskreter als auch stetiger Variablen verwen-
det werden29. Mögliche Nachteile des Verfahren sind die Ungenauigkeit in der
Angabe der Zugehörigkeitswerte, die sich durch die Schwierigkeiten in der
Wahrnehmung kleiner Zugehörigkeitsunterschiede seitens der befragen Ex-
perten erklärt, sowie seine eventuelle Zeitaufwendigkeit und Mühsamkeit.
3. Inverse Abfrage
Bei dieser Methode müssen die befragten Personen diejenigen Elemente der
Fuzzy-Mengen identifizieren, die die vorgegebenen Zugehörigkeitsgrade auf-
weisen. Die Methode kann sowohl für eine Person beim wiederholten Ab-
fragen der entsprechenden Werte für die gleiche Zugehörigkeitsfunktion als
auch für Personengruppen konzipiert werden.
4. Angabe von Parametern einer LR-Darstellung

Ist die Fuzzy-Menge in Form einer Fuzzy-Zahl oder eines Fuzzy-Intervalls
vorgegeben, so können zur Reduzierung des mit der Ermittlung der Zugehö-
rigkeitsgrade verbundenen Aufwandes nur die Gestaltungsfunktionen sowie
die übrigen Parameter der LR-Darstellung abgefragt werden30.
Der Nachteil dieser Vorgehensweise liegt in der Notwendigkeit, die am bes-

ten passende Referenzfunktion anzugeben, die für die befragten Personen
oft schwierig zu identifizieren ist. Aus diesem Grund kann die Abfrage der
Parameter einer LR-Darstellung nur als eine vorläufige Beschreibung der
Fuzzy-Mengen erfolgen31.
29
Vgl. CORNELISSEN, A. / VAN DEN BERG, J. / KOOPS, W. et al. (2002), S. 13
30
31
5. Angabe der Parameter einer Distanzfunktion

Zur Herleitung der Zugehörigkeitsfunktionen kann ebenfalls ein Verfahren he-
rangezogen werden, bei dem die befragten Personen die Parameter einer
Distanzfunktion spezifizieren, die die Differenz zu einem Referenzobjekt
angibt32.
6. Intervallschätzung
Diese Methode stützt sich auf die Darstellung der Fuzzy-Mengen durch die
α-Niveau-Mengen:
{Aα : α ∈ (0, 1]}, (5.17)
mit
Aα = {x ∈ X | µA(x) ≥α}
Alternativ zu (5.17) können die Fuzzy-Mengen wie folgt definiert werden33:
µ A ( x ) = ³ µ Aα ( x )dα
1
(5.18)
0
Da laut (5.17) und (5.18) die Fuzzy-Mengen durch Angabe der ineinander
liegenden Intervalle spezifiziert werden können, werden im Rahmen des In-
tervallschätzungsverfahrens die befragten Personen gebeten, für eine endli-
che Anzahl der α-Niveaus die entsprechenden Intervalle für die Werte der
unscharfen Variablen anzugeben. Die so ermittelten Intervalle werden dann
zu einer stückweise konstanten oder stückweise linearen Zugehörigkeitsfunk-
tion aggregiert34.
5.4 Vor- und Nachteile der Abbildung von Unsicherheiten mit

Hilfe der Theorie der Fuzzy-Mengen in der Flugplanoptimierung
In diesem Kapitel wird die Theorie der Fuzzy-Mengen als ein Instrument zur
Integration der in der Realität vorkommenden Unsicherheitsaspekte in die im
Kapitel 3 beschriebenen deterministischen Flugplanoptimierungsmodelle dar-
gestellt. Es stellt sich somit die Frage nach der Effektivität und der Zweckmä-
ßigkeit der Anwendung von Konzepten der Theorie der Fuzzy-Menge in der
mathematischen Optimierung bzw. in der Optimierung von Flugplänen. Die
32
Siehe z.B. DOMBI, J. (1998), ZIMMERMANN, H.-J. / ZYSNO, P. (1988)
33
34
nachfolgenden Ausführungen beschäftigen sich mit der Beantwortung dieser

Frage.
In den meisten aus der Literatur bekannten Modellen wird die Unsicherheit
mit Hilfe der Stochastik abgebildet. Die stochastischen Methoden, die vom
Zufallscharakter der Modellvariablen ausgehen, finden zwar in letzter Zeit
eine breite Anwendung in der Optimierung35, weisen jedoch eine Reihe von
Schwächen auf, die ihren Einsatz in der Flugplanoptimierung stark einschrän-
ken36. So wird bei der Verwendung von stochastischen Methoden angenom-
men, dass man genügend Vergangenheitsinformationen besitzt, um die
Wahrscheinlichkeitsverteilungen sowie die Abhängigkeiten zwischen den Va-
riablen verlässlich bestimmen zu können. Dies ist bei der Optimierung von
Flugplänen oft nicht der Fall. So liegen z.B. bei der Einführung einer neuen
Flugroute keine Informationen über Flugdauer, Verspätungshäufigkeit, Pas-
sagiervolumen usw. vor. Ist eine zur Schätzung der Wahrschein-
lichkeitsverteilungen ausreichende Menge von statistischen Daten vorhanden,
trifft man beim Einsatz der stochastischen Methoden eine wenig haltbare
Annahme, die das Wiederholen der historischen Sachverhalte in der Pla-
nungsperiode suggeriert. Die Gültigkeit einer solchen Annahme würde im Fall
der Optimierung von Flugplänen bedeuten, dass sowohl in den vergangenen
Perioden als auch in der aktuellen Periode die Wetterbedingungen sowie die
Aktionen der Flughäfen und der Flugsicherungszentralen gleich sind bzw. zu
identischen Verspätungshäufigkeiten und -dauern führen. Die im Kapitel 4
beschriebenen Irregularitäten im Luftverkehr widerlegen die Richtigkeit dieser
Annahme.
Ein weiterer Schwachpunkt der Stochastik ist die aus dem häufigen Fehlen
von Vergangenheitswerten resultierende Notwendigkeit, Parameter für sto-
chastische Abhängigkeiten der zufälligen Vorgangsdauern und Zeitabstände
zu schätzen37. Ein Verzicht auf die Schätzung der Parameter führt zur Über-
oder Unterschätzung der Prozessdauer und stellt somit die Sinnhaftigkeit des
Einsatzes der stochastischen Methoden in Frage.
Die Stochastik versagt auch dann, wenn die Informationen über den Wert der
unsicheren Variablen nur in Form von verbalen Aussagen oder subjektiven
Meinungen und Vorstellungen von Experten vorliegen.
35
Vgl. YAO, D. (2003); MARTI, K. (2002); BIRGE, J. R. / LOUVEAUX, F. (1997)
36
Vgl. KEHR, J. (1995), S. 45
37
Vgl. KEHR, J. (1995), S. 45
Wird wie in den im Kapitel 3 geschilderten deterministischen Modellen gänz-

lich auf die Berücksichtigung der Unsicherheit verzichtet, so verlieren die ein-
gesetzten Modelle den Bezug zur Realität. Sie sind nicht mehr in der Lage,
die Sachverhalte realitätsnah abzubilden und in der Optimierung zu berück-
sichtigen. Die Optimierungsergebnisse, die mit Hilfe solcher Modelle erlangt
wurden, sind fragwürdig und können bestenfalls als Annäherung an das wirk-
liche Optimum gesehen werden.
Die Anwendung der Theorie der Fuzzy-Mengen zur Modellierung der Unsi-
cherheitsaspekte beseitigt die meisten mit dem Einsatz der stochastischen
oder deterministischen Optimierungsmodelle einhergehenden Probleme. So
gelingt basierend auf dem Konzept der Fuzzy-Mengen die der Realität am
nächsten kommende Beschreibung der aus den irregulären Ereignissen re-
sultierenden Unsicherheiten bezüglich der Zeitenlagen der Flüge. Diese Be-
schreibung kann bei Vorliegen von Vergangenheitsdaten mit den im Abschnitt
5.3.3.1 präsentierten Methoden aus diesen historischen Beobachtungswerten
hergeleitet und anschließend, um die Erfahrungen, Meinungen und Wünsche
der Entscheider zu erfassen, durch das Abfragen von Experten mit den im
Abschnitt 5.3.3.2 dargestellten Techniken vervollständigt werden. Über die
Angabe der subjektiven Vorstellungen werden beim Einsatz der Fuzzy-Set-
Theorie auch die Abhängigkeiten zwischen den einzelnen Prozessen und Zu-
ständen, z.B. zwischen der Flughafenauslastung und der Verspätungsdauer,
quantifiziert und im Optimierungsmodell erfasst.
Die Modellierung der Unsicherheit mit Hilfe der Theorie der Fuzzy-Mengen
kann durch die Verwendung der linguistischen Variablen oder die Annahme
einfacher Formen der Zugehörigkeitsfunktionen zur Reduktion der System-
komplexität führen 38 . Dies könnte als einer der Vorteile der Theorie der
Fuzzy-Mengen aufgefasst werden, denn dadurch wird die Menge der zur Mo-
dellspezifikation benötigten Informationen reduziert und die Diskrepanz zwi-
schen der begrenzten menschlichen Informationsaufnahmekapazität und
dem Datenüberfluss wird beseitigt oder geschwächt. Auf der anderen Seite
kann man allerdings argumentieren, dass durch solche Vereinfachungen
wichtige Informationen verloren gehen können, was die Realitätsnähe des
Modells und die Aussagekraft der Modellergebnisse einschränkt. Mit der Re-
duktion der Systemkomplexität ist eine andere Motivation für den Einsatz der
Theorie der Fuzzy-Mengen verbunden: Durch die realitätskonforme Abstra-
hierung von oft überflüssigen Details wird eine effiziente, d.h. schnelle, kos-
38
tengünstige und mit einem vertretbaren Zeit- und Rechenaufwand verbunde-

ne Bestimmung von approximativen Lösungen möglich 39 . Diese Lösungen
befinden sich zudem meistens näher am Optimum als die mit Hilfe von deter-
ministischen Modellen errechneten Ergebnisse, da Letztere wichtige Kontext-
informationen unterschlagen und in der Regel mit wenig flexiblen Lösungs-
algorithmen gelöst werden 40 . Außer durch die Lösungseffektivität zeichnen
sich Modelle, in denen die Unsicherheitsaspekte mit der Verwendung der
Theorie der Fuzzy-Mengen beschrieben und integriert werden, durch eine
Verbesserung der Ergebnisstabilität aus, die sich in der weitgehenden Un-
abhängigkeit der Lösungswerte von den externen Einflüssen ausdrückt. Auf
Grund ihrer Effizienz und Stabilität sowie der Berücksichtigung des hoch
relevanten Erfahrungswissens werden diese Modelllösungen von den
Nutzern schlussendlich besser akzeptiert.
39
40
Vgl. KEUPER, F. (1999), S. 129
138
Kapitel 6: Einsatz der Modelle diskreter Entscheidungen

zur Passagiernachfrageschätzung auf
Luftverkehrsmärkten
6.1 Einführung
Wie bereits im Kapitel 2 erklärt, muss der Prozess der Flugplanentwicklung
und -optimierung einen Bewertungsschritt für die Beurteilung der Güte einer
vorgeschlagenen Flugplanlösung enthalten. Das die monetären Unterneh-
mensziele am besten unterstützende, aber auch zugleich am schwierigsten
herzuleitende Gütemaß für den Flugplan einer Airline sind die erwarteten
Passagierströme und die daraus resultierenden Passagierumsätze, die sich
mit diesem Flugplan generieren lassen. Das vorliegende Kapitel beschäftigt
sich mit der Darstellung der Modelle diskreter Entscheidungen, die für die
Schätzung der Passagiernachfrage auf Luftverkehrsmärkten relevant sind
und die in das in dieser Arbeit zu entwickelnde Flugplanoptimierungssystem
integriert werden können. Hier werden die mathematischen Notationen sowie
die Vor- und Nachteile dieser Modelle präsentiert. Basierend auf den Anfor-
derungen an die in einem iterativen Flugplanoptimierungssystem eingesetz-
ten Nachfrageschätzmodelle wird hier außerdem ein konkretes, in das neue
Optimierungssystem zu integrierendes Modell ausgewählt. Darüber hinaus
werden verschiedene Parameterschätztechniken und Teststatistiken für Mo-
delle diskreter Entscheidungen dargestellt und erläutert.
6.2 Überblick über die wichtigsten relevanten Modelle diskreter

Entscheidungen
Wie in den vorangegangenen Kapiteln geschildert, weisen Luftverkehrsmärk-
te eine Reihe von besonderen Merkmalen auf, die sie von vielen anderen be-
kannten Märkten differenzieren. So zeichnen sich die Luftverkehrsmärkte z.B.
durch eine Vielzahl von interdependenten alternativen Flugverbindungen aus,
die von unterschiedlichen Fluggesellschaften angeboten werden und in der
Regel klar definierte Attribute besitzen, wie der Flugzeugtyp, die Dauer der
Reisezeit oder die Anzahl der Umstiege. Die Flugverbindungen können
entweder direkt oder über einen Transferflughafen erfolgen und von einer
oder mehreren Fluggesellschaften im Rahmen von Allianz- oder Codeshare-
Kooperationen angeboten werden1. Die Auswahlentscheidungen der Passa-
giere basieren hier somit auf einer Menge verschiedener Faktoren, die in
ihrer Gesamtheit den subjektiven individuellen Nutzen für jeden Passagier
1
Vgl. Abschnitt 2.3.3.3.2
Kapitel 6 Schätzung der Passagiernachfrage mit Modellen diskreter Entscheidungen 139
bilden. Die in diesem Abschnitt dargestellten Modelle diskreter Entscheidun-

gen erlauben es, den individuellen Nutzen einer alternativen Flugverbindung
mit Hilfe der aus einem Flugplan zu extrahierenden Daten zu erfassen und
zur Erklärung der Auswahlentscheidung bzw. zur Evaluation der Marktanteile
dieser Verbindung heranzuziehen.
6.2.1 Anforderungen an ein in einem Flugplanoptimierungsmodell zur

Passagiernachfrageschätzung eingesetztes Modell
Bevor allerdings die mathematischen Notationen der Modelle diskreter Ent-
scheidungen präsentiert werden, soll überlegt werden, welche grundsätzli-
chen Anforderungen ein zur Nachfrageschätzung auf Luftverkehrsmärkten
eingesetztes Modell erfüllen muss sowie welche zusätzlichen Anforderungen
an ein Modell gestellt werden, das in ein iteratives heuristisches Optimie-
rungssystem integriert ist.
Als erstes muss das zur Nachfrageschätzung eingesetzte Modell die empi-
risch zu beobachtenden Auswahlwahrscheinlichkeiten möglichst gut erklären
und beschreiben können. Es muss darüber hinaus in der Lage sein, viele
Alternativen zu bewerten, da die Luftverkehrsmärkte hundert und mehr alter-
native Flugverbindungen enthalten können. Zusätzlich muss das Schätzmo-
dell stets die Restringierung der Summe an Auswahlwahrscheinlichkeiten für
alle Alternativen auf einem Markt auf das Intervall [0,1] gewährleisten sowie
die negativen Wahrscheinlichkeitswerte ausschließen.
Zwischen den einzelnen auf einem O&D-Markt angebotenen Flugverbindun-

gen bestehen gewisse Abhängigkeiten. Wird eine neue Verbindung zu einem
Markt hinzugefügt oder von einem Markt gestrichen, so beeinflusst dies die
Nachfrage nach anderen vorhandenen Verbindungen auf unterschiedliche
Weise. Erwartungsgemäß verändern sich beim Hinzufügen einer neuen oder
der Änderung der Zeitenlagen einer bestehenden Verbindung die Marktantei-
le der zeitlich nah an dieser Verbindung positionierten Alternativverbindungen
stärker als die Marktanteile von anderen, zeitlich weiter entfernten Alternati-
ven. Das eingesetzte Nachfrageschätzmodell muss deshalb im Sinne der
Praxistauglichkeit solche bestehenden Abhängigkeiten zwischen den Alterna-
tivverbindungen erkennen, abbilden und bei der Modellierung der Auswahl-
entscheidungen bzw. der Marktanteile berücksichtigen.
Viele Attribute der auf Luftverkehrsmärkten angebotenen Reiserouten lassen

sich aus dem Flugplan herleiten und somit direkt in einen Nutzenwert über-
140 Kapitel 6 Schätzung der Passagiernachfrage mit Modellen diskreter Entscheidungen
führen. Es ist jedoch durchaus denkbar, dass reisende Individuen außer sol-
chen evidenten Eigenschaften einer Flugverbindung andere Faktoren, die
nicht aus einem Flugplan ersichtlich sind, als relevant für eine Auswahlent-
scheidung ansehen. Das Modell, mit dem die Entscheidungen der Passagiere
prognostiziert werden, muss folglich in der Lage sein, auch solche latenten
Einflussfaktoren zuzulassen und in die Prognose einzubeziehen.
Die in einem iterativen Optimierungssystem eingesetzten Schätzmodelle

müssen noch einen zusätzlichen Anspruch erfüllen: Auf Grund der Größe des
relevanten Lösungsraumes 2 benötigt der Flugplanoptimierungsprozess zur
Findung der optimalen Lösung oft sehr viele Iterationen. Es ist daher unbe-
dingt notwendig, dass sich die in den Bewertungsschritt dieses Optimierungs-
prozesses eingebetteten Passagiernachfrageschätzmodelle durch Schnellig-
keit und Einfachheit in der Marktanteilsberechnung auszeichnen, um eine an-
gemessene Gesamtoptimierungszeit zu gewährleisten.
6.2.2 Verhaltensannahmen der Individuen in Modellen diskreter

Entscheidungen
Die inzwischen zum Standard der Passagiernachfrageschätzung auf Luftver-
kehrsmärkten gehörenden Modelle diskreter Entscheidungen versuchen, das
Nachfrageverhalten einzelner Individuen abzubilden. Dabei gehen sie von
einer Reihe von Annahmen aus, die ein bestimmtes Verhalten dieser Indivi-
duen postulieren bzw. den Prozess der Entscheidungsfindung charakterisie-
ren. Die Annahmen betreffen im Einzelnen den Entscheidungsträger, die Al-
ternativen mit ihren Attributen sowie die Entscheidungsregeln3. Im Folgenden
soll näher auf diese Annahmen eingegangen werden.
Als Entscheidungsträger kann entweder ein einzelnes Individuum oder eine

Gruppe von Individuen4 auftreten. Für die Modellierung der Auswahlentschei-
dungen wird auf die Untersuchung des Entscheidungsfindungsprozesses in-
nerhalb der Gruppe verzichtet und die Gruppe als homogene Einheit
betrachtet.
In Modellen diskreter Entscheidungen wird eine endliche Menge zur Ver-

fügung stehender und explizit zu beobachtender Alternativen unterstellt. Man
unterscheidet dabei die existierenden und die für eine bestimmte Personen-
gruppe verfügbaren oder relevanten Alternativen. Bei der Anwendung dieser
2
Siehe Kapitel 3
3
Vgl. BIERLAIRE, M. (1997), S. 3ff.; BEN-AKIVA, M. / BIERLAIRE, M. (1999)
4
z.B. Familie, Reiseveranstalter, Regierung
Modelle zur Nachfrageschätzung auf Luftverkehrsmärkten wird oft davon aus-

gegangen, dass Passagiere, die eine Flugverbindung nachfragen, nur die Al-
ternativen aus dem O&D-Markt dieser Verbindung als relevant erachten und
das Angebot auf anderen O&D-Märkten für sie nicht in Frage kommt 5 .
Darüber hinaus wird angenommen, dass für alle Passagiere des jeweiligen
O&D-Marktes die gleichen Alternativen gelten. Diese Annahme entspricht
weitgehend der Realität, da die meisten Flugbuchungen über Computerreser-
vierungssysteme erfolgen, in denen das gesamte relevante Angebot eines
Flugmarktes vollständig verzeichnet ist.
Jede Alternative wird durch eine endliche Menge der sie charakterisierenden
Attribute beschrieben, von denen die Auswahlentscheidung der Individuen
abhängt. Die Attribute können sowohl generisch als auch alternativspezifisch
sein und entweder direkt zu beobachten und messbar sein oder eine Funkti-
on der vorhandenen Daten darstellen6. Als relevant für eine Auswahlentschei-
dung der Flugpassagiere werden oft folgende Attribute einer Flugverbindung
angegeben7:
• Gesamtreisezeit
• Anzahl der Zwischenstopps
• Anzahl der beteiligten Airlines bzw. Flugzeuge
• Operativer Typ der Flugverbindung: Codeshare-Flug oder operativ ausge-
führter Flug der entsprechenden Airline
• Abflugs- und Ankunftszeit bzw. -tag
• Image der Airline
• Angebotsgröße (gemessen als Anzahl der Flugfrequenzen) der jeweiligen
Airline auf dem O&D in beide Flugrichtungen
• Flugzeugtyp
Die Entscheidungsregeln, die vom Entscheidungsträger zur Bewertung der

Attribute einzelner Alternativen und zur Generierung der Auswahlentschei-
dung angewandt werden, unterstellen rationales Verhalten der Individuen und
basieren auf dem Prinzip der Nutzenmaximierung. Laut diesem Prinzip kann
der Nutzen einer Alternative ausgehend von ihren Attributen und den subjek-
tiven Vorstellungen der Entscheider beschrieben werden. Der Entscheider
selektiert dann aus der vorhandenen Alternativmenge diejenige Alternative,
die ihm den größten Nutzen stiftet8. Da jedoch ein vollständiger Einblick in
5
Vgl. GRAMMIG, J. / HUJER, R. / SCHEIDLER, M. (2002), S. 5
6
z.B. der Logarithmus oder das Quadrat der Reisezeit
7
Vgl. z.B. GAGNON, G. (1997), S. 30, SCHEIDLER, M. (2002), S 82, IASVOINE, L. (2000) S. 47
8
Vgl. z.B. BÖRSCH-SUPAN, A. (1987), S. 12ff.
den Prozess der Entscheidungsfindung eines Individuums nicht möglich ist,

nimmt man an, dass der subjektive Nutzen einer Alternative eine Zufallsvari-
able darstellt9. Die wesentlichen Gründe für die Notwendigkeit dieser Annah-
me sind unbekannte Charakteristika der Alternativen, unbekannte sozioöko-
nomische Einflüsse sowie die vorkommenden Messfehler.
In den nachfolgende Abschnitten werden nun die auf den beschriebenen An-
nahmen basierenden Modelle diskreter Entscheidungen formal dargestellt.
6.2.3 Struktur der Modelle diskreter Entscheidungen

In Modellen diskreter Entscheidungen wird der als Zufallsgröße definierte
subjektive Nutzen uin einer Alternative i = 1,..., J für das Individuum n =
1,...,N durch die Gleichung
u =v +ε
in in in
(6.1)
angegeben. Dabei beschreibt der Term vij den deterministischen Teil des
Nutzens, der sich als die Funktion der Attribute der Alternativen und der indi-
viduellen Charakteristika darstellen lässt. Die stochastische bzw. Zufallskom-
ponente εin repräsentiert den dem Modellierer nicht genau bekannten Nut-
zenteil. Folgende Ursachen können dabei das Vorhandensein des Fehler-
terms εin: erklären:10
• Nicht alle relevanten Ausprägungen der Alternativen sind dem Modellierer
bekannt.
• Nicht alle relevanten sozioökonomischen Charakteristika der Entscheider
sind bekannt.
• Die Funktionsart des deterministischen Nutzenteils ist nicht bekannt.
• Die Werte der relevanten Charakteristika können nicht gemessen werden
bzw. es liegen Messfehler vor.
• Einige Ausprägungen der relevanten Informationen lassen sich nur in-
direkt durch so genannte "Proxy-Variable" bestimmen.
Maximierung des Nutzens bedeutet, dass sich ein Individuum für die Alterna-
tive mit dem größten Nutzenwert entscheidet:
u in ≥ u jn , ∀j = 1,..., J (6.2)
9
Vgl. MAIER, G. / WEISS, P. (1990), S. 98
10
Vgl. MAIER, G. / WEISS, P. (1990), S. 98-99
Die Wahrscheinlichkeit für solch eine Auswahlentscheidung lässt sich somit

wie folgt formulieren11:
pin = P ( uin ≥ u jn , ∀j = 1,..., J , i ≠ j )
= P ( vin + ε in ≥ v jn + ε jn , ∀j = 1,..., J , i ≠ j )
(6.3)
= P ( vin − v jn + ε in ≥ ε jn , ∀j = 1,..., J , i ≠ j )
∞ vin − v1n + ε in vin − v2 n + ε in vin − v Jn + ε in
= ³ ³ ³ ... ³ f (ε1n , ε 2 n ,..., ε J −1, n , ε Jn )∂ε Jn ∂ε J −1, n ⋅⋅⋅ ∂ε1n
−∞ −∞ −∞ −∞
Dabei kennzeichnet der Ausdruck f (ε1n,,ε2n,...,εJ-1,n,εJn) die Dichtefunktion

der gemeinsamen Verteilung der Störterme. Die Auswahlwahrscheinlichkei-
ten ergeben sich somit durch die Integration dieser Dichtefunktion für die
untersuchte Alternative i über alle ihre möglichen Nutzenwerte 12 sowie für
alle anderen Alternativen von minus Unendlich bis zu dem deterministischen
Nutzenwert der untersuchten Alternative abzüglich des deterministischen
Nutzenteils der entsprechenden Alternative. Man erkennt, dass die Gleichung
(6.3) genauso viele verschachtelte Integrale enthält wie Alternativen zur
Verfügung stehen, was ihre Anwendbarkeit bei Vorhandensein sehr vieler
Alternativen erschweren oder sogar ausschließen kann.
Beim Einsatz der Modelle diskreter Entscheidungen zur Nachfrageschätzung

auf Luftverkehrsmärkten repräsentieren die auf einem O&D-Markt d, d =
1,...,D von einer oder mehreren Fluggesellschaften angebotenen Flugverbin-
dungen die Menge der für alle Passagiere verfügbaren Alternativen Jd. Mit
Hilfe der Formel (6.3) evaluiert man dann die Wahrscheinlichkeit, mit der sich
ein Passagier n = 1,...,Nd für die Alternativverbindung i = 1,...,Jd entscheidet.
Diese Auswahlwahrscheinlichkeit lässt sich auch als der Marktanteil der ent-
sprechenden Verbindung interpretieren. Bei Gültigkeit der Annahme, dass
sich ein Passagier immer nur für das Angebot auf einem einzigen O&D-Markt
interessiert 13 , resultiert die Unabhängigkeit der Störterme unterschiedlicher
O&Ds14 aus:
cov(ε in , ε jn ) = 0 , für ∀od (i ) ≠ od ( j ) , (6.4)
11
Vgl. z.B. BOMMERT, K. (1999), S. 11; PUDNEY, S, (1989), S. 113; MAIER, G. / WEISS, P. (1990), S.
103
12
D.h. von –∞ bis +∞
13
14
Vgl. SCHEIDLER, M. (2002), S. 13
mit od(...) – Funktion, die eine Verbindung zum entsprechenden O&D

zuordnet.
In der Regel beschreibt man in Airline-spezifischen Anwendungen diskreter

Entscheidungsmodelle den deterministischen Teil der subjektiven Nutzen-
funktionen durch die Linearkombination der mit den Parametern gewichteten
Attribute15:
uin = xi β + ε in , (6.5)
mit
xi – (1 × K) Vektor der zu beobachtenden Attribute der Alternative i16
β – (K × 1) Vektor der Parameterwerte
εin – Individuum- und alternativspezifischer Störterm
Unterschiedliche Annahmen über die Verteilung des Störterms εin führen zu
verschiedenen Klassen diskreter Entscheidungsmodelle. Die wichtigsten un-
ter ihnen werden in den nachfolgenden Abschnitten behandelt.
6.2.4 Multinominale Logit-Modelle

Das Logit-Modell ist wegen seiner Einfachheit das am häufigsten verwendete
multinominale diskrete Entscheidungsmodell. Es ergibt sich aus der Annah-
me, dass die Fehlerterme des latenten Alternativnutzens unabhängig und
identisch Gumbel-verteilt sind17. Die Herleitung der Auswahlwahrscheinlich-
keiten des Logit-Modells basiert darauf, dass für eine Auswahlentscheidung
lediglich der Vergleich des Nutzenwertes der jeweiligen Alternative mit dem
Nutzenmaximum der übrigen Alternativen notwendig ist:
pin = P ( uin ≥ max(u jn ), ∀j = 1,..., J , i ≠ j )
(
= P vin + ε in ≥ v*jn + ε *jn , ∀j = 1,..., J , i ≠ j )
= P( x in β + ε in ≥ xn* β * + ε n* , ∀j = 1,..., J , i ≠ j )
15
Dies impliziert jedoch die Annahme, dass die von den unterschiedlichen Attributen ausgehenden Nutzen-
werte unmittelbar miteinander vergleichbar sind. Da bei der Beschreibung des alternativspezifischen Nut-
zens die einzelnen exogenen Variablen in ihren Maßstäben in der Regel nicht vergleichbar gemacht werden
und da zur Nutzenbeschreibung sowohl ordinal als auch nominal skalierte Größen verwendet werden, ist die
Vergleichbarkeit der neutralen Nutzenwerte nicht immer gewährleistet. Die Gültigkeit dieser sehr kritischen
Annahme wird jedoch in den meisten aus der Literatur bekannten Modellen diskreter Entscheidungen
unterstellt.
16
Der Index n entfällt wegen der Gleichheit der Alternativmengen für jeden Passagier
17
Zu den Eigenschaften der Gumbel-Verteilung siehe z.B. MAIER, G. / WEISS, P. (1990), S. 135
(
= P ε n* − ε in ≤ xin β − xn* β * , ∀j = 1,..., J , i ≠ j )
= F (x in β − x β , ∀j = 1,..., J , i ≠ j ) ,
*
n
*
(6.6)
mit
Maximum der alternativspezifischen Nutzenwerte

x n* β * = max( x jn β + ε jn ), ∀j = 1,..., J d , i ≠ j = (6.7)
J
1 µx jn β
= ln ¦e
µ i =1,i ≠ j
und der entsprechenden Verteilungsfunktion der logistischen Verteilung

1
F ( xin β − xn* β * ) = (6.8)
µ ( x*n β * − xin β )
1+ e
mit
µ – Skalierungsparameter18.
Ausgehend von (6.8) lassen sich die Auswahlwahrscheinlichkeiten des Logit-
Modells wie folgt kalkulieren:
1 e µ xin β
pin = * *−x β )
= * *
1 + e µ ( xn β in
e µ xin β + e µ xn β
e µ xin β e µ xin β
= J
= J
(6.9)
µ x jn β µ x jn β
e µ xin β + exp(ln ¦ e ) ¦e
i =1 j =1
Der Einfachheit der Formulierung steht ein entscheidender Nachteil des

Logit-Modells gegenüber: Dies ist die so genannte IIA-Eigenschaft19, die aus-
drückt, dass die Auswahlwahrscheinlichkeit zwischen zwei Alternativen unab-
hängig von der Verfügbarkeit und der Ausgestaltung anderer Alternativen ist.
Die Formel (6.10) verdeutlicht diese Aussage:
18
Wird für die meisten empirischen Anwendungen auf den Wert Eins gesetzt
19
"Irrelevance from Independent Alternatives"
e xin β
x jn β
¦ e
pin j∈J d e xin β
= x jn β
= x jn β (6.10)
p jn e e
x jn β
¦ e
j∈J d
Man erkennt aus dem Ausdruck (6.10), dass das Verhältnis der Nutzenwerte
zweier Alternativen i und j nur von ihren eigenen Attributen, nicht jedoch von
Attributen der anderen existierenden Alternativen abhängt.
Erwartete
Erwartete Auswahlwahrscheinlichkeiten
Auswahlwahrscheinlichkeiten Logit-Auswahlwahrscheinlichkeiten
Logit-Auswahlwahrscheinlichkeiten
Alternative 1 Alternative 1
Auswahlwahrscheinlichkeit
Auswahlwahrscheinlichkeit
Tageszeit Tageszeit
Ankunftszeit Ankunftszeit Ankunftszeit Ankunftszeit

Alternative 1 Alternative 2 Alternative 1 Alternative 2
Abbildung 6.1: Die empirisch erwarteten Auswahlwahrscheinlichkeiten vs. Logit-Auswahl-

wahrscheinlichkeiten. (Quelle: Scheidler (2002))
Wie bereits erwähnt, bestehen auf Luftverkehrsmärkten gegenseitige Inter-

dependenzen zwischen den Alternativverbindungen auf gleichen O&Ds. Mit
Hilfe von Abbildung 6.1 soll die Entwicklung der erwarteten und die durch das
Logit-Modell prognostizierten Auswahlwahrscheinlichkeiten zweier Alternati-
ven, die sich ergeben, wenn man die Abflugszeit der dritten Alternative
verändert, noch klarer verdeutlicht werden. Liegt die Abflugszeit der Alternati-
ve 1 früh am Morgen und die der Alternative 2 spät am Abend, sollten sich
die Auswahlwahrscheinlichkeiten der beiden Alternativen erhöhen bzw.
reduzieren, sobald sich die Abflugszeit der Alternative 3 der Abflugszeit des
jeweils anderen Alternativfluges nähert bzw. sich davon entfernt. Diese durch
die empirischen Beobachtungen bestätigte Erwartung resultiert daraus, dass

die Passagiere gewisse Zeitenlagen präferieren und bei der Gleichheit aller
anderen Parameter nahezu indifferent zwischen mehreren zur gleichen oder
ähnlichen Zeit startenden Flügen sind. Auf Grund der IIA-Eigenschaft werden
durch das Logit-Modell, wie man in Abbildung 6.1 auf der Seite 146 erkennt,
jedoch konstante und von der Zeitenlage der übrigen Alternativen unab-
hängige Auswahlwahrscheinlichkeiten prognostiziert. Das Logit-Modell erfüllt
somit eine der wichtigsten im Abschnitt 6.2.1 dargestellten Anforderungen an
ein zur Nachfrageschätzung auf Luftverkehrsmärkten eingesetztes Modell
nicht. Aus diesem Grund wird die hier präsentierte klassische Variante des
Logit-Modells trotz seiner offensichtlichen Vorteile, die sich vor allem in der
Einfachheit und der Schnelligkeit der Marktanteilsberechnung manifestieren,
nicht in das zu entwickelnde Flugplanoptimierungssystem integriert.
Um die IIA-Eigenschaft des Logit-Modells zu beseitigen, wurden viele theore-

tische Ansätze entwickelt, die von einer bestimmten Art der Korrelation der
Störterme ausgehen20. Diese Ansätze führen jedoch in der Regel zu einer
deutlichen Steigerung des für die Evaluierung der Auswahlwahrscheinlichkei-
ten notwendigen Rechenaufwandes. Eine interessante und empirisch vali-
dierte Möglichkeit der Vermeidung der IIA-Eigenschaft im Logit-Modell, die
auch ein weitgehendes Beibehalten der wichtigsten Vorzüge dieses Modells
erlaubt, wurde vom Betreiber eines der größten weltweiten Computerreser-
vierungssysteme und Anbieter vieler Airline-spezifischen Optimierungstools,
SABRE Inc., präsentiert und in seine kommerziellen Optimierungsanwendun-
gen integriert21. Das Modell von SABRE basiert im Wesentlichen auf der in
der Formel (6.9) dargestellten Notation des klassischen Logit-Modells. Die
Besonderheit der SABRE-Formulierung ist die Berechnung der Auswahlwahr-
scheinlichkeiten aller verfügbaren Alternativen für jede Stunde und jeden
Wochentag einer typischen Flugplanwoche 22 sowie die anschließende Ge-
wichtung der so kalkulierten Wahrscheinlichkeiten mit dem Passagieranteil
der jeweiligen Stunde-Wochentag-Kombination:
x β + β t −t
168 uik 168 ei ki k
pi = ¦ sk ⋅ = ¦ sk ⋅ , (6.11)
x j β + β k t j − tk
k =1 ¦ u jk k =1 ¦ e
j∈J d j∈J d
20
Siehe z.B. Nested oder Mixed Logit-Modelle in: MAIER, G. / WEISS, P. (1990), S. 152ff; BÖRSCH-
SUPAN, A. (1987), S. 31 ff.; FLEPS, H. (2003), S. 83ff.
21
Vgl. SCHEIDLER, M. (2002), S. 48-49
22
Insgesamt also für 168 Zeitpunkte. Man wählt eine Flugplanwoche, da diese oft als minimale Planungs-
zeiteinheit betrachtet wird
wobei
168
¦ sk = 1 (6.12)
k =1
mit
i = 1,...,Jd eine Alternativverbindung auf dem O&D d = 1,...,D
k = 1,...,168 Index eines Zeitintervalls (7 Tage × 24 Stunden = 168
Zeitintervalle)
ti Abflugszeit der Alternativverbindung i
tk Abflugszeit im Zeitintervall k
uik Nutzen der Alternative i im Zeitintervall k
Man geht also davon aus, dass jeder Passagier einen bestimmten Abflugs-
zeitwunsch k besitzt. Jede vorhandene Flugverbindung i auf dem entspre-
chenden O&D-Markt d weist eine Abweichung von der gewünschten Abflugs-
zeit auf. Diese Zeitabweichung beeinflusst den Nutzen der jeweiligen Verbin-
dung unmittelbar durch ihre Berücksichtigung in der Nutzenfunktion. Die Wer-
te sk, die als die Abflugszeitpräferenzen interpretiert werden können, gewich-
ten den zeitpunktbezogenen Alternativnutzen und verteilen die Passagiere für
die vorgegebenen Zeitintervalle proportional zum Nutzen.
Ein Nachteil des Modells besteht allerdings darin, dass die Werte der Ab-
flugszeitpräferenzen vor den Auswahlwahrscheinlichkeiten bzw. den Marktan-
teilen geschätzt werden müssen. Dieser Nachteil kann jedoch bei Vorliegen
der empirisch beobachteten Werte von sk sowie mit dem Einsatz von geeig-
neten Schätzverfahren relativ leicht beseitigt werden23.
168 u1k
¦ sk ⋅
k =1 ¦ u jk
p1 j∈J d
= 168 (6.13)
p2 u
¦ sk ⋅ 2 k
k =1 ¦ u jk
j∈J d
Aus dem Ausdruck (6.13) ist ersichtlich, dass das SABRE-Logit-Modell die
23
Bei der Verwendung der empirischen Daten geht man von der Annahme aus, dass sich das bestehende
Flugangebot vollständig an die Abflugswünsche der Passagiere anpasst.
besagte IIA-Eigenschaft nicht aufweist. Es zeichnet sich zudem durch seine

relative Einfachheit der Formulierung und die Schnelligkeit der Berechnung
der Auswahlwahrscheinlichkeiten aus. Es ist theoretisch fundiert und bildet
durch Berücksichtigung der Abflugszeitpräferenzen das Verhalten der Passa-
giere realitätsnah ab. Der Einsatz in vielen empirischen Applikationen bestä-
tigt ferner die Praxistauglichkeit dieses Modells. Somit erfüllt es die
wichtigsten im Abschnitt 6.2.1 aufgeführten Anforderungen an ein Nachfrage-
schätzmodell, das in ein Flugplanoptimierungssystem integriert ist. Dies
begründet die Entscheidung für die Wahl des SABRE-Logit-Modells zur
Flugplanbewertung in dem in dieser Arbeit zu entwickelnden Optimierungs-
modell.
Im nachfolgenden Abschnitt wird aus Gründen der Vollständigkeit kurz auf die
weiteren potenziellen Verfahren zur Passagiernachfrageschätzung auf Luft-
verkehrsmärkten eingegangen und erklärt, warum sie in dieser Arbeit nicht
zum Einsatz kommen.
6.2.5 Multinominale Probit-Modelle

Bei Probit-Modellen nimmt man an, dass die Fehlerterme εin des latenten
individuums- und alternativspezifischen Nutzens multivariat normalverteilt
sind, mit einem Erwartungswert Null und der symmetrischen Varianz-
Kovarianz-Matrix Σn:
ein ~ N ( 0, Σ n ) , ∀i = 1,..., J d , ∀n = 1,..., N , (6.14)
mit
ªδ11n ... δ1nJ d º

« »
Σn = « ... ... » (6.15)
« δ Jnd J d »
¬ ¼
Dabei bezeichnet der in (6.15) vorkommende Term δii die Varianz des
Störterms der Alternative i und der Term δij die Kovarianz zwischen zwei Al-
ternativen i und j. Es werden also, im Unterschied zu Logit-Modellen, keine
unabhängig verteilten Fehlerterme angenommen. Die Annahme der Korrelati-
on der Störterme erlaubt es, beliebige Beziehungen zwischen den vorhande-
nen Alternativen in das Modell aufzunehmen und bei der Evaluierung der
Auswahlwahrscheinlichkeiten zu berücksichtigen. Dies macht das Probit-
Modell zu einem äußerst flexiblen diskreten Entscheidungsmodell.

Die Annahme der multivariat normalverteilten Störterme hat allerdings einen
schwerwiegenden Nachteil: Die Integrale der Formel (6.3) können nicht ana-
lytisch berechnet, sondern müssen mit Hilfe diverser Approximationsverfah-
ren ermittelt werden. Die wichtigsten Verfahren, die dafür herangezogen wer-
den, sind24:
• Numerische Integration: Das Entscheidungsproblem wird vereinfacht und
auf wenige zu berechnende Integrale reduziert, die dann durch die Sum-
menbildung approximiert werden. Bei Vorliegen einer großen Zahl von Al-
ternativen, wie es auf Luftverkehrsmärkten üblich ist, bleibt die Anzahl der
zu berechenden Integrale jedoch hoch. Da mit der numerischen Integrati-
on nur Integrale bis zur fünften Dimension mit vertretbarem Aufwand kal-
kuliert werden können25, eignet sich dieses Verfahren nicht zum Einsatz
im Luftverkehr.
• Monte-Carlo-Simulation: Es wird eine hohe Zahl an Zufallszahlen gene-
riert, die den latenten Zufallsnutzen darstellen. Die sich aus diesen Nut-
zenwerten ergebenden Entscheidungen werden zu den relativen Häufig-
keiten aggregiert, welche die Auswahlwahrscheinlichkeiten repräsentieren.
Diese Prozedur muss bei der Schätzung der Auswahlwahrscheinlichkei-
ten für jede Alternative wiederholt werden, was einen sehr hohen Rechen-
und Zeitaufwand erfordert, der mit jeder zusätzlichen Alternative überpro-
portional ansteigt. Auf Grund der hohen Rechenintensität kommt dieses
Verfahren für den Einsatz in einem iterativen Flugplanoptimierungspro-
zess, der gegebenenfalls mehrere Tausende Iterationen durchlaufen
muss, nicht in Frage.
• Näherung durch Clarks Approximation: Bei diesem Verfahren werden die
Auswahlwahrscheinlichkeiten in einem sequenziellen Prozess geschätzt,
basierend auf den von Clark (1961) entwickelten Methoden zur Approxi-
mation des Maximums normalverteilter Zufallsvariablen. Bei einer hohen
Anzahl der Alternativen wird der Schätzer jedoch sehr ungenau, was die-
ses Verfahrens für den Einsatz auf Luftverkehrsmärkten ebenfalls disqua-
lifiziert.
Das klassische Probit-Modell kann also – trotz seiner Vorzüge bezüglich Fle-
xibilität in der Berücksichtigung der Interdependenzen zwischen den Alter-
nativen – wegen erheblicher Schwierigkeiten bei der Berechnung der Aus-
wahlwahrscheinlichkeiten im Fall vieler Alternativen nicht auf die Fragestel-
24
Vgl. MAIER, G. / WEISS, P. (1990), S. 146-147
25
Vgl. BOMMERT, K. (1999), S. 47
lungen der Luftfahrtindustrie angewandt werden. Um jedoch zum einen die

vorliegenden Abhängigkeiten zwischen den Alternativen flexibel und realitäts-
nah abbilden zu können und zum anderen die Lösbarkeit der Probit-Modelle
zu gewährleisten, wurden Ansätze entwickelt, die in diesen Modellen eine
Varianz-Kovarianz-Matrix vorgeben oder sie parametrisieren und zusammen
mit dem deterministischen Teil der Nutzenfunktion mitschätzen. In der Litera-
tur finden sich zwei für die Passagiernachfrageschätzung in der Luftfahrt-
industrie konzipierte bzw. angepasste Probit-Modelle: Das eine Modell, das
so genannte Generalized Autoregressive Multinominal Probit (GAR-MNP),
unterstellt eine autoregressive Beziehung erster Ordnung zwischen den Feh-
lertermen der Alternativen und berechnet die Elemente der Varianz-
Kovarianz-Matrix mit Hilfe der gleichen Attribute, die zur Nutzenbeschreibung
verwendet werden26. Es wird hier angenommen, dass sich der Fehlerterm
aus zwei Komponenten zusammensetzt: Die erste Komponente, die die
Inderdependenzen zwischen den Alternativen abbildet, ist multivariat normal-
verteilt. Die zweite Komponente stellt eine unabhängig und identisch Gumbel-
verteilte Zufallsvariable dar:
ein = ϑin + hin (6.16)
Für die Anwendung in der Luftfahrtindustrie gilt weiterhin für den ersten Term:
ϑ n = σ (I − ρW )−1 ς n , (6.17)
mit
σ Varianzparameter
I (Jn × Jn) Einheitsmatrix
Jn Menge der für den Passagier n = 1,...,N verfügbaren Alternativen
ρ Autokorrelationskoeffizient
W Matrix der normierten alternativspezifischen Gewichte
ζn (Jn×1) Vektor der unabhängig und identisch verteilten Zufallsvariable
Die alternativspezifischen Gewichte werden mit Hilfe einer Funktion berech-

net, die ausgehend von den Attributen die Ähnlichkeit zwischen den Alternati-
ven angibt.
Das GAR-MNP-Modell ist zwar in der Lage, die Abhängigkeit zwischen den
auf einem O&D-Markt angebotenen Flugverbindungen abzubilden, weist je-
26
Vgl. BOLDUC, D. / BEN-AKIVA, M. (1991), BOLDUC, D. (1992); SCHEIDLER, M. (2002); IASVOINE, L.
(2000)
doch eine Menge von Mängeln auf, die seinen Einsatz in einem Flugplan-
optimierer nicht sinnvoll machen. Zu den Mängeln gehört zum einen die
Abhängigkeit der Kovarianzen zweier Alternativen vom Vorhandensein und
den Attributen einer dritten Alternative, was einen Widerspruch zu den Eigen-
schaften einer multivariaten Verteilung darstellt. Zum anderen ist die Über-
schätzung der Auswahlwahrscheinlichkeiten bei relativ großer Ähnlichkeit
zwischen den Alternativen ein Nachteil des Modells. Ein weiteres Gegenargu-
ment gegen seinen Einsatz ist die hohe Rechenaufwendigkeit zur Berechung
der Auswahlwahrscheinlichkeiten, die aus Notwendigkeit der Kalkulation der
Gewichte-Matrix bei jeder Änderung der Zeitenlagen der entsprechenden
Flüge sowie der Approximation der Wahrscheinlichkeitswerte mit Hilfe eines
Simulationsverfahrens27 resultiert.
Ein anderes Modell, das speziell für die Fragestellungen der Luftfahrtindustrie
entwickelt wurde, ist das so genannte Attribute Based Covariance Multinomi-
nal Probit (ABC-MNP). Es geht ähnlich wie das GAR-MNP Modell von der
Annahme der Abhängigkeit der Störterme von den Attributen der Alternativen
aus, die durch die Gleichung (6.16) ausgedrückt wird. Im ABC-MNP wird
jedoch der Term ϑin durch die Linearkombination der Fehlerterme der ent-
sprechenden Attribute p = 1,..,P beschrieben28:
ϑ = ϑ + ϑ + ... + ϑ
in in1 in 2 inP
(6.18)
Ferner definiert man hier die Kovarianzen zwischen den Fehlertermen der als
sowohl dichtonom als auch stetig spezifizierten Variablen verschiedener Al-
ternativen mit Hilfe von Zufallsverteilungen des Nutzens eines Attributes oder
mit den die Gewichtung der Fehlerterme angebenden Amplitudefunktionen.
Obgleich sich dieses Verfahren als geeignet zur Prognose der Marktanteile
auf Luftverkehrsmärkten erwiesen hat, 29 erscheint sein Einsatz in einem
iterativen Flugplanoptimierungsmodell wegen der hohen Rechenaufwendig-
keit zur Simulation der Auswahlwahrscheinlichkeiten sowie zur Berechnung
der Kovarianzen der Alternativen als nicht sinnvoll.
27
z.B. Monte-Carlo-Simulation
28
Vgl. SCHEIDLER, M. (2002), S. 39-41
29
Vgl. SCHEIDLER, M. (2002), S. 100
6.3 Parameterschätzung und Teststatistik für Modelle diskreter

Entscheidungen
6.3.1 Parameterschätzung mit der Maximum-Likelihood- und der
Simulated-Maximum-Likelihood-Methode
Die Maximum-Likelihood-Methode ist auf Grund ihrer universellen Anwend-
barkeit und der wünschenswerten statistischen Eigenschaften ihrer Schätzer
die bevorzugte Methode zur Schätzung der Parameter eines Wahrscheinlich-
keitsmodells. Bei dieser Methode wird als erstes eine Funktion ermittelt, die
die Wahrscheinlichkeit angibt, mit der die vorliegenden Daten beobachtet
werden können. Anschließend wird nach Parameterwerten gesucht, die diese
Wahrscheinlichkeit maximieren. Diese Funktion, auch Likelihood- oder Log-
Likelihood-Funktion genannt, errechnet sich bei Annahme der Unabhängig-
keit der Verteilungen einzelner Beobachtungen aus dem Produkt bzw. der
Summe der logarithmierten Wahrscheinlichkeiten pj:
J
LF = p1 ⋅ p 2 ⋅ ... ⋅ p J = ∏ p i , bzw. (6.19)
i =1
J
log LF = log( p1 ⋅ p 2 ⋅ ... ⋅ p J ) = ¦ log p i (6.20)
i =1
In Modellen diskreter Entscheidungen wird im Rahmen der Parameterschät-

zung mit der Maximum-Likelihood-Methode der Zusammenhang zwischen
den empirisch zu beobachtenden Entscheidungen der Individuen und den
Attributen der Alternativen xin hergestellt. Dies geschieht durch die Definition
einer dichtonomen Variablen yin, die die Auswahlentscheidung kennzeichnet,
und die Maximierung der Summe der mit dieser Variablen multiplizierten
logarithmierten Auswahlwahrscheinlichkeiten:
°1 falls die Alternative i vom Individuum n gewählt wird (6.21)

yin = ®
°̄0 sonst
( )
N J
log LF = ¦¦ yin ⋅ log pin xin → max (6.22)
n =1 i =1
Da, per Annahme, auf Luftverkehrsmärkten alle Individuen die gleichen Alter-
nativen wahrnehmen und da die Summe der dichtonomen Variablen yin für
eine alternative Flugverbindung i auf dem O&D-Markt d =1,...,D der Anzahl
d
der auf dieser Verbindung beförderten Passagiere PAXi entspricht, kann der
Ausdruck (6.22) zur Parameterschätzung in diskreten Entscheidungsmodel-

len bei ihrem Einsatz auf Luftverkehrsmärkten wie folgt modifiziert werden:
D Jd
log LF = ¦¦ PAX id ⋅ log p id (xi ) → max (6.23)
d =1 i =1
Zur Schätzung der Probit-Modelle, in denen, wie oben dargestellt, zur Be-
rechnung der Auswahlwahrscheinlichkeiten mehrere verschachtelte Integrale
gelöst werden müssen, wird die schwer kalkulierbare Log-Likelihood-Funktion
oft durch eine andere, einfachere Funktion ersetzt, deren Erwartungswert mit
dem Wert der ursprünglichen Log-Likelihood-Funktion übereinstimmt30. Die-
ses Verfahren wird Simulated Maximum Likelihood genannt.
6.3.2 Teststatistik
Durch statistische Testverfahren wird die Modellgüte und die Qualität der aus
der Parameterschätzung erhaltenen Ergebnisse überprüft. Dabei unterschei-
det man zwei wesentliche Testtypen: Mit Hilfe von Signifikanztests stellt man
fest, ob ein oder mehrere Parameter von bestimmten theoretisch an-
genommenen Werten abweichen. Mit den so genannten Anpassungstests
wird der Erklärungsgehalt des gesamten Modells untersucht. In den nachfol-
genden Abschnitten werden die wichtigsten Teststatistiken für Modelle diskre-
ter Entscheidungen präsentiert.
6.3.2.1 Signifikanztests
Da die empirisch ermittelten Schätzer der Modellparameter Realisationen von
Zufallsvariablen darstellen31, muss nach der Durchführung eines Schätzver-
fahrens stets überprüft werden, ob die berechneten Parameter signifikant von
einem hypothetischen Wert abweichen.
Das bekannteste Verfahren zur Signifikanzprüfung der Modellkoeffizienten ist

der so genannte t-Test. Der Grundgedanke besteht hier in der Entscheidung
über die Annahme oder die Ablehnung einer (Null-)Hypothese H0, nach der
der Wert des entsprechenden Koeffizienten Null beträgt und somit über
keinerlei Erklärungskraft verfügt. Die Gegenhypothese H1 unterstellt dabei,
dass der Wert des Koeffizienten nicht Null ist.
30
Vgl. BOMMERT, K. (1999), S. 75ff.
31
Vgl. NEUBAUER, W. (1994), S. 411
H0 : βk = 0
H1 : βk ≠ 0
Bei der Annahme der Normalverteilung der Schätzfehler formuliert man nun
eine Variable
βˆ k − β k
t= (6.24)
σ (β k ) ,
die der t-Verteilung mit n - 2 Freiheitsgraden folgt, wobei N für die Anzahl der
Beobachtungen und β̂ k bzw. β k jeweils den geschätzten und den hypotheti-
schen Wert des entsprechenden Koeffizienten repräsentieren. Der Ausdruck
σ(βk) in der Formel (6.24) steht für die empirische Standardabweichung von
βk .
Die Nullhypothese H0 wird abgelehnt, wenn der errechnete t-Wert mit einer
bestimmten Wahrscheinlichkeit 1-α außerhalb des Konfidenzintervalls [-tα/2,
tα/2] liegt. Dabei bezeichnet α das gewählte Signifikanzniveau und -tα/2, tα/2
sind die der t-Verteilung entnommenen Werte der t-Variablen für das Signifi-
kanzniveau α/2 und n - 2 Freiheitsgrade. In den meisten empirischen Studien
wird ein Parameter als signifikant erklärt, wenn sein t-Wert höher als Zwei ist.
Dies entspricht in etwa einem Signifikanzniveau von 5%.
6.3.2.2 Anpassungstests
Mit den Anpassungstests wird geprüft, wie gut die geschätzten Werte der
exogenen Variablen die empirisch beobachteten Daten beschreiben. Als
wichtigster Anpassungstest für die diskreten Entscheidungsmodelle gilt der
Vergleich der empirischen und der geschätzten Auswahlwahrscheinlichkeiten
bzw. Marktanteile sowie der Pseudo-R²-Test.
Werden die empirischen Marktanteile einer alternativen Flugverbindung i =

1,...,Jd auf dem O&D d = 1,...,D als das Verhältnis der mit dieser Verbindung
beförderten Passagiere zum Marktvolumen des jeweiligen O&Ds kalkuliert,
lässt sich die Anpassungsgüte des zur Nachfrageschätzung auf Luftverkehrs-
märkten eingesetzten Modells mit Hilfe folgender Formeln evaluieren:
1 D Jd
MAE (Mean Absolute Error) = D ¦ ¦ pˆ i − pi
d d
,
(6.25)
d =1 i =1
¦ Jd
d =1
0,5
ª º
« 1 D J d
d 2»
RMSE (Root Mean Squared Error) =« D ¦ ¦ ( pˆ i − pi ) »
d
(6.26)
,
d =1 i =1
«¬ d¦=1 J d »¼
mit
p id empirischer Marktanteil der Flugverbindung i auf dem O&D d

p̂ di geschätzter Marktanteil der Flugverbindung i auf dem O&D d
Je kleiner der Wert der in (6.25) und (6.26) stehenden Ausdrücke ist, desto
besser ist das Fit des zu validierenden Modells.
Zur Beurteilung der Anpassung an die Likelihood-Funktion wird in diskreten

Entscheidungsmodellen oft folgender Index berechnet, der als Pseudo-Be-
stimmtheitsmaß bezeichnet wird:
LogLF f
ρ12 = 1 − (6.27)
LogLF0 ,
mit
LogLFf Wert der Likelihood-Funktion des geschätzten Modells
LogLF0 Wert der Likelihood-Funktion des Modells, dessen Parameter auf
Null gesetzt sind
Durch das in (6.27) präsentierte Pseudo-Bestimmtheitsmaß wird die Wahr-

scheinlichkeit, mit der das untersuchte Modell eine Stichprobe produziert, mit
jener verglichen, die durch einen Zufallsprozess entsteht32.
Um die Pseudo-Bestimmtheitsmaße von Modellen mit unterschiedlicher An-

zahl von erklärenden Variablen miteinander vergleichen oder den Effekt der
Aufnahme einer zusätzlichen Variablen auf die Anpassungsgüte eines
Modells beurteilen zu können, wird der in (6.27) stehende Ausdruck wie folgt
um die Anzahl der exogenen Größen bereinigt:
LogLF f − n
ρ 22 = 1 − , (6.28)
LofLF0
mit
32
Vgl. MAIER, G. / WEISS, P. (1990), S. 91
n Anzahl der exogenen Variablen.

Zusätzlich zu den hier aufgeführten Gütemaßen existieren weitere Anpas-
sungsstatistiken, die bei der Herleitung der Pseudo-Bestimmtheitsmaße z.B.
die Anzahl der Beobachtungen sowie auch andere Korrekturfaktoren berück-
sichtigen33.
33
Siehe z.B. IASVOINE, L. (2000), S. 43ff, SCHEIDLER, M. (2002), S. 77ff, BÖRSCH-SUPAN, A. (1987), S.
68ff.
158
Kapitel 7: Entwicklung eines Fuzzy- und

Marktmodell-basierten Flugplanoptimierungsmodells
7.1 Einführung
Im vorliegenden Kapitel erfolgt die Darstellung des neuen Modells zur
quantitativen Optimierung der Flugpläne unter Berücksichtigung der negati-
ven monetären Konsequenzen, die von möglichen Verspätungen der Flüge
ausgelöst werden können. Das in dieser Arbeit entwickelte Modell basiert auf
den in den vorangegangenen Kapiteln beschriebenen Flugplanoptimierungs-
modellen und Modellierungstechniken zum Erfassen der in der Realwelt
vorkommenden Unsicherheitsaspekte. Dabei ist zu beachten, dass es sich in
dieser Arbeit um die so genannte empirische Modellierung handelt. Dies be-
deutet, dass sich die Modellstruktur und -ausgestaltung maximalmöglich an
den in der Praxis beobachteten Sachverhalten orientiert und die Modellergeb-
nisse unmittelbar für den praktischen Einsatz geeignet sein müssen.
Das Modell soll die sechste und letzte Phase des Flugplanentwicklungspro-
zesses unterstützen, die als Feinabstimmung bezeichnet wird und in der
Flugplanverbesserungen heute primär durch manuelle Eingaben vorgenom-
men werden. Im Rahmen der Feinabstimmung soll nun mit Hilfe dieses
Modells eine iterative Optimierung der Zeitenlagen der Flüge für einen Hub-
Flughafen an einem bestimmten, vom Benutzer spezifizierten Wochentag
vorgenommen werden. Dabei sollen die in den vorangegangenen fünf Pha-
sen des Planungsprozesses festgelegten Abflugs- und Ankunftszeiten so ver-
ändert werden, dass sich einerseits die Ertragslage der Fluggesellschaft
durch Steigerung der Transferpassagierumsätze und Reduzierung der Ver-
spätungskosten verbessert und andererseits die bestehende Flugplanstruktur
weitgehend unverändert bleibt.
Wie bei der Flugplanoptimierung üblich ist, wird auch hier angenommen, dass
sich durch die im Rahmen des Optimierungsprozesses vorgenommenen
Änderungen der Zeitenlagen der Flüge außer den hier betrachteten Verspä-
tungskosten die übrigen operativen Kosten der jeweiligen Fluggesellschaft
nicht ändern. Ferner wird verlangt, dass der Modellnutzer durch seine
Aktionen auf die Ressourcenbasis der Fluggesellschaft (z.B. auf die Anzahl
der Flugzeuge, Crews und des Bodenpersonals) und die daraus resultieren-
den Kosten (Leasing- und Finanzierungskosten, Löhne und Gehälter usw.)
keinen Einfluss nehmen soll. Vielmehr stellt hier die vorhandene Ressour-
cenbasis für den Modellnutzer eine Restriktion dar, die stets berücksichtigt
und erfüllt werden muss.
Kapitel 7 Fuzzy- und Marktmodell-basiertes Flugplanoptimierungsmodell 159
Um das entwickelte Modell auf die reellen Flugpläne anwenden und damit die
für die Praxis relevanten Optimierungsfragestellungen beantworten zu kön-
nen, wird es mit Hilfe einer objektorientierten Programmiersprache in ein
einsatzfähiges Software-Tool überführt. Die programmiertechnische Umset-
zung des Modells erfolgte in der Entwicklungsumgebung Borland DELPHI,
die über einen leistungsfähigen Compiler verfügt sowie umfassende Daten-
und Funktionsspezifikationen ermöglicht. Da zur Ermittlung der endgültigen
Flugplanvariante oft mehrere Optimierungsläufe nötig sind, bestand bei der
Programmierung des Software-Tools eine der Zielsetzungen darin, die Opti-
mierung einer Flugplanlösung auf wenige Stunden zu beschränken.
Außer der Vorgabe bezüglich der maximalen Ausführungszeit eines Optimie-

rungslaufs muss das Modell und somit das Software-Tool zur Gewährleistung
der Praxistauglichkeit weitere, im Folgenden aufgeführten Anforderungen er-
füllen:
• Realitätsnahe Abbildung der Sachverhalte im Luftverkehr: Das Mo-
dell muss die Gegebenheiten der Luftverkehrsmärkte in Bezug auf den
Zusammenhang zwischen dem Flugangebot und der Passagiernachfrage
sowie bezüglich der Reaktion der Fluggesellschaften auf die Verspätun-
gen realitätsnah wiedergeben.
• Möglichkeit der Flugplanbewertung und -optimierung mit und ohne
Berücksichtigung der Verspätungsproblematik: Das auf dem entwi-
ckelten Modell basierende Software-Optimierungstool muss in der Lage
sein, die reellen Flugpläne in Bezug auf die relevanten Kennzahlen zu
bewerten und unter Vorgabe einer Zielfunktion zu optimieren. Um die Mo-
dellergebnisse mit und ohne Berücksichtigung der Verspätungskosten
vergleichen zu können, muss zudem das Optimierungstool die Ergebnis-
se für diese zwei Varianten der Modellspezifikation liefern.
• Aufrechterhaltung der Struktur der übergebenen Flugpläne: Die
Struktur der als Modellinput fungierenden Flugpläne wird in den ersten
Phasen des Planungsprozesses festgelegt1. Deshalb soll das Modell eine
weitgehende Erhaltung dieser Struktur gewährleisten. Es soll jedoch auch
in der Lage sein, bei Bedarf die Flugplanstruktur neu bestimmen zu kön-
nen.
• Monetäre Flugplanbewertung: Die im Kapitel 2 erläuterte monetäre
Flugplanbewertung reflektiert am besten die primären Unternehmensziele.
Aus diesem Grund muss sich die im Modell implementierte Bewertungs-
1
160 Kapitel 7 Fuzzy- und Marktmodell-basiertes Flugplanoptimierungsmodell
funktion, mit deren Hilfe die Güte einer Flugplanlösung evaluiert wird, an
den monetären Größen orientieren.
• Instrumentalisierung der für die Airlines relevanten monetären Kon-
sequenzen von Flugverspätungen: Eine der wichtigsten Anforderungen
an die in dieser Arbeit entwickelte Modellformulierung ist die Möglichkeit,
die negativen monetären Konsequenzen, die mit eventuellen Flugverspä-
tungen assoziiert sind, im Optimierungsprozess abzubilden und zu be-
rücksichtigen. Somit muss das Modell und das Software-Optimierungstool
in der Lage sein, die Flugverspätungen abzubilden und die damit verbun-
denen Verspätungskosten zu evaluieren.
• Möglichkeit der Angabe der Fuzzy-Zugehörigkeitsfunktionen für
jeden Flug der zu optimierenden Flugplanlösung: Wie im Kapitel 5
dargestellt, basiert die in dieser Arbeit verwendete Modellierung der Flug-
verspätungen auf der Theorie der Fuzzy-Mengen. Um eventuelle Flugver-
spätungen abzubilden und die Berechnung der Verspätungskosten der
Verbindungen zu ermöglichen, muss daher die Fuzzy-Zugehörigkeits-
funktion für jeden Flug in dem zu optimierenden Flugplan angegeben
werden. Das Software-Tool muss somit die Möglichkeit bieten, die Fuzzy-
Zugehörigkeitsfunktionen für die Ankunfts- bzw. Abflugszeiten der Flüge
zu definieren, sowie die Überführung der subjektiven Vorstellungen und
Erfahrungen der Nutzer in diese Zugehörigkeitsfunktionen durch Verarbei-
tung geeigneter Informationen unterstützen.
• Möglichkeit der umfangreichen Parameterspezifikation durch den
Nutzer: Um das Modell flexibel zu gestalten und dem Nutzer die Gele-
genheit zu geben, verschiedene Szenarien und Problemvarianten zu spe-
zifizieren, muss das Modell möglichst viele benutzerdefinierte Parameter
enthalten, die im Software-Optimierungstool eingegeben und modifiziert
werden können.
• Nachvollziehbarkeit der Modellergebnisse und Möglichkeit der Ana-
lyse einzelner Flugverbindungen: Der Benutzer des Optimierungsmo-
dells muss in der Lage sein, jedes Detail der generierten Ergebnisse
nachvollziehen sowie die Modellergebnisse auf jeder möglichen Aggrega-
tionsstufe2 analysieren zu können.
Die nachfolgenden Abschnitte dieses Kapitels enthalten die Beschreibung der

entwickelten Modellspezifikation und ihrer Implementierung. Zum Nachweis
der Praxistauglichkeit des entwickelten Modells und zur Analyse der Pla-
2
Als Aggregationsstufe können z.B. ein Flug oder eine Flugverbindung, alle Flugverbindungen aus einem
Flughafen oder alle Verbindungen eines O&D definiert werden
nungseffizienz einiger Airlines werden außerdem die Ergebnisse der empiri-

schen Optimierungsläufe auf den reellen Flugplänen von zwei großen inter-
nationalen Fluggesellschaften präsentiert und diskutiert. Die Optimierungs-
läufe werden dabei mit Hilfe des entworfenen Software-Optimierungstools
durchgeführt und mit der in dieses Tool integrierten Bewertungsroutine aus-
gewertet.
7.2 Modellformulierung und -implementierung

7.2.1 Allgemeine Modellformulierung
H sei die Menge der von der untersuchten Fluggesellschaft angeflogenen
Flughäfen. Ein Flugplan S ist die vollständige Liste der Flüge i ∈ J dieser
D
Fluggesellschaft, die am Tag D = 1,..,7 starten oder landen. Die Gesamtheit

der Flüge, die als ihre Anfangs- oder Enddestination den Flughafen h ∈ H
D
haben, bildet den Teilflugplan S h .
Ein Flug i ∈ J wird durch das Tupel i: (DA, AA, DT, AT, FL) charakterisiert.
DA, AA ∈ H kennzeichnen dabei jeweils den Anfangs- und Endflughafen
dieses Fluges, DT und AT ∈ [0:00, 23:59] repräsentieren seine planmäßige
lokale Abflugs- und die Ankunftszeit, FL beschreibt den Flugzeugtypen, mit
dem der Flug ausgeführt wird. Wird die Flugplanoptimierung für den Teilflug-
D
plan S h durchgeführt, wird für jeden der Inbound-Flüge dieses Teilflugplans
zusätzlich die Fuzzy-Zugehörigkeitsfunktion der Ankunftszeiten AT sowie für
jeden der Outbound-Flüge die Fuzzy- Zugehörigkeitsfunktion der Abflugszei-
ten DT vorgegeben.
Die Flugzeugflotte F der untersuchten Fluggesellschaft setzt sich zusammen

aus den einzelnen Teilflotten FFL ∈ F, die sich über die vorhandenen Flug-
zeugtypen FL definieren. Die Anzahl der zur Ausführung des Ausgangsflug-
plans notwendigen Flugzeuge in den Teilflotten wird durch die Größen bFL, ∀
FL ∈ F angezeigt. Es sei angemerkt, dass die Anzahl der Flugzeuge von den
Zeitenlagen der im Flugplan enthaltenen Flüge sowie von den entsprechen-
den Turnaround-Zeiten TATFL für das jeweilige Flugzeug abhängt: bFL =
D D D
f( S FL ,TATFL). S FL repräsentiert den Teilflugplan von S , der durch die dem
Flugzeugtypen FL zugewiesenen Flüge gebildet wird. Für die weiteren
D
Ausführungen wird die Anzahl der Flugzeuge als bFL( S FL ,TATFL) angegeben.
Einer der bestehenden Sachverhalte in der betrieblichen Praxis des Luftver-

kehrs ist die Existenz der operationellen Restriktionen bezüglich der Flugha-
fenkapazität. Um dies im Modell zu berücksichtigen, werden hier die Variab-
len eingeführt, die die Anzahl der aktuell belegten sowie der maximal verfüg-
baren Inbound- und Outbound-Slots für jedes vorhandene Slot-Fenster in
einem Flughafen angeben:
IB _ SlotshD,t Anzahl der aktuell belegten Inbound-Slots am Tag D =

1,..., 7 am Flughafen h ∈ H für das Ankunftszeitfenster
t ∈ [0:00, 23:59]
OB _ SlotshD,t Anzahl der aktuell belegten Outbound-Slots am Tag D
= 1,..., 7 am Flughafen h ∈ H für das Abflugszeitfenster
t ∈ [0:00, 23:59]
Max _ IB _ SlotshD,t Maximale Anzahl der am Tag D = 1,..., 7 am Flughafen
h ∈ H für das Ankunftszeitfenster t ∈ [0:00, 23:59] zur
Verfügung stehenden Inbound-Slots
Max _ OB _ SlotshD,t Maximale Anzahl der am Tag D = 1,..., 7 am Flughafen
h ∈ H für das Abflugszeitfenster t ∈ [0:00, 23:59] zur
Verfügung stehenden Outbound-Slots
Wie bereits geschildert, werden im Laufe des Optimierungsprozesses die An-

kunfts- und Abflugszeiten der den Flughafen h ∈ H berührenden Flüge der
untersuchten Airline verändert. Da es sich bei der in dieser Arbeit vorgenom-
menen Optimierung um eine Art der Fein-Adjustierung des in den ersten fünf
Phasen des Planungsprozesses erstellten und validierten Flugplans3 handelt,
erscheint es sinnvoll, die Zeitenlagen der Flüge nur im Rahmen der vom
Modellbenutzer definierten Zeitfenster variieren zu lassen, um die Struktur
des Ausgangsflugplans weitgehend beibehalten zu können. Wünscht der
Benutzer jedoch eine signifikante Umformierung des als Modellinput fungie-
renden Basisflugplans, kann er diese im hier entwickelten Modell durch die
Vorgabe relativ breiter Zeitfenster erzwingen. Die Zeitfensterrestriktion wird
durch die Spezifikation eines Intervalls für die Ankunftszeiten der Inbound-
Flüge sowie für die Abflugszeiten der Outbound-Flüge wie folgt berücksichtigt:
DTi ∈ [ t Ai , t Bi ], falls DAi = h, mit t Ai , t Bi ∈ [0:00, 23:59]

ATi ∈ [ t Ai , t Bi ], falls AAi = h, mit t Ai , t Bi ∈ [0:00, 23:59].
Die Variablen DTi, ATi kennzeichnen jeweils die Abflugs- bzw. die Ankunfts-
3
D
zeit des Fluges i ∈ S h , wobei DAi bzw. AAi seine Start- bzw. Zieldestinatio-
nen angeben.
π sei eine Permutation des Ausgangsflugplans ShD , die sich durch die Ände-
D
rung der Zeitenlagen von mindestens einem in S h enthaltenen Flug ergibt,
und ω(PR(π, ShD ,WSD), DC(π, ShD )) sei eine Bewertungsfunktion, die die
durch die Permutation π erhaltene Flugplanlösung hinsichtlich der monetären
Größen evaluiert. Dabei stellt die Bewertungsfunktion ω die Passagierumsät-
ze PR(π, S h ,WS ) den aus den Zeitenlagen der Flüge resultierenden
D D
Verspätungskosten DC(π, S h ) gegenüber; die Passagierumsätze hängen

D
unter anderem von der zeitlichen Positionierung der Flüge im Flugplan der
D
untersuchten Fluggesellschaft sowie vom Konkurrenzangebot WS auf den
von der untersuchten Airline angebotenen O&D-Märkten ab.
Die allgemeine Zielsetzung des hier entwickelten Flugplanoptimierungsmo-

dells kann nun formal wie folgt dargestellt werden:
ω(PR(π, S hD ,WSD), DC(π, ShD )) → max (7.1)
unter Einhaltung der Restriktionen:

D
bFL( S FL ,TATFL,) ≤ bFL(π, S FL
D
,TATFL), ∀FL ∈ F
IB _ SlotshD,t ≤ Max _ IB _ SlotshD,t , h∈H, d =1,...,7, ∀t ∈ [0:00 23:59]

OB _ Slots D
h ,t ≤ Max _ OB _ Slots
D
h ,t , h∈H, d =1,...,7, ∀t ∈ [0:00 23:59]
DTi ∈ [ t Ai , t Bi ], falls DAi = h, t Ai , t Bi ∈ [0:00, 23:59], ∀i ∈ ShD

ATi ∈ [ t Ai , t Bi ], falls AAi = h, t Ai , t Bi ∈ [0:00, 23:59], ∀i ∈ S hD
Es wird also nach einer solchen Permutation π des Ausgangsteilflugplans S h

D
gesucht, die sowohl die Passagierumsätze maximiert als auch die Verspä-
tungskosten minimiert und dabei den vorgegebenen Restriktionen genügt.
Die Besonderheit dieser Formulierung, die sie von den meisten aus der
Literatur bekannten Modellspezifikationen unterscheidet, ist die explizite
Berücksichtigung der monetären Auswirkungen der Flugverspätungen bzw.
die systematische Ausbalancierung der Umsatz- und Kostenaspekte bei der
Planung der Abflugs- und Ankunftszeiten der Flüge.
Wie Abbildung 7.1 zu entnehmen ist, ist das entwickelte Flugplanoptimie-

rungsmodell hierarchisch aufgebaut. Es besteht aus einem übergeordneten
Master-Problem und mehreren untergeordneten Sub-Problemen. Das Mas-
ter-Problem beschäftigt sich im Wesentlichen damit, den relevanten Lösungs-
raum der mit einer Vielzahl unterschiedlicher Parameter formulierten
Optimierungsaufgabe mit Hilfe der Tabu-Suche4 abzusuchen und die optima-
le Lösung auszuwählen. Die Sub-Probleme, die in jedem Iterationsschritt vom
Master-Problem aufgerufen werden, generieren eine vollständige Liste valider
Flugverbindungen – ausgehend von der übergebenen Flugplanlösung und
dem Konkurrenzangebot – und bewerten diese Flugplanlösung in Bezug auf
die zu erwartenden Passagierumsätze und die für die Airline relevanten Ver-
spätungskosten.
Modellaufbau
Masterproblem
Modellinput • Generierung der Nachbarschaftslösungen Modelloutput
• Ausgangsflugplan der • Ausführung und Steuerung der • Quantitative Bewertung des
untersuchten Fluggesellschaft Optimierungsroutine
Ausgangsflugplans mit
• Aktualisierung des Systems nach der Berücksichtigung der
• Weltflugplan Akzeptanz einer Flugplanlösung Passagierumsätze und
• Verspätungsverteilungen der Verspätungskosten
Flüge der untersuchten Airline
• Flugplan der untersuchten
• O&D-Volumen und Subproblem 1 Airline, der in Bezug auf die
Durchschnittserträge Verspätungskosten und
• Aufbau der relevanten
Verbindungen Passagierumsätze optimiert
• Flughafen, Flugzeug, wurde
Flugverbindungs- und
Marktmodellparameter Subproblem 2 • Quantitative Bewertung des
• Bewertung der aufgebauten optimierten Flugplans
• Benutzerparameter relevanten Verbindungen
Abbildung 7.1: Überblick über Modellaufbau, In- und Outputs
7.2.2 Modellimplementierung
Im Folgenden wird die Implementierung des entwickelten Flugplanoptimie-
rungsmodells erläutert. Dabei wird zuerst auf die Ausgestaltung der Sub-
Probleme und danach auf die Vorgehensweise beim Master-Problem einge-
gangen. Parallel zu der Beschreibung der Modelleinzelheiten werden die
Aspekte ihrer praktischen Umsetzung im Software-Tool dargestellt.
4
7.2.2.1 Struktur und Implementierung der Sub-Probleme

7.2.2.1.1 Sub-Problem 1: Generieren der Flugverbindungen
Wie im Kapitel 2 erörtert, können die Passagiere zwischen ihren Start- und
Zieldestinationen entweder mit Direktflügen ohne einen Zwischenstopp oder
mit Transferverbindungen über einen oder mehrere Hub-Flughäfen befördert
werden. Dies entspricht der so genannten Markt- oder O&D-Sicht auf das
Airline-Netzwerk, die von den Nachfrageströmen und nicht von den einzelnen
Flügen ausgeht. Eine Flugplanlösung wird durch die Gesamtheit der Direkt-
und Transferverbindungen charakterisiert, die mit ihren Flügen aufgebaut
werden können. Diese Verbindungen stellen das Gesamtangebot einer Air-
line auf den O&D-Märkten dar und bilden die Basis für die nachfolgende
Schätzung der Anzahl der mit der jeweiligen Airline beförderten Passagiere
und somit der erwarteten Passagierumsätze.
Da man bei der Flugplanoptimierung, neben der Positionierung von Direktflü-

gen, an der Bildung von wettbewerbsfähigen Transferverbindungen interes-
siert ist, werden bei der Lösung des der Generierung der validen
Flugverbindungen gewidmeten Sub-Problems nur die Transferverbindungen
mit der Hit-Qualität aufgebaut5. Dafür wird die Hit-Fenster-Bedingung sowie
die Detour-Factor-Bedingung geprüft.
Formal lässt sich das Zustandekommen eines Hits ζ(i,j), an dem die Flüge i
D
und j ∈ S h beteiligt sind, wie folgt darstellen:
ζ(i,j) = TRUE, ∀ i, j ∈ ShD ,
falls
AAi = DAj
ATi + MCT ≤ DTj
DTj – ATi ≤ Max_Waiting
(dist(DAi, AAi) + dist(DAj + AAj)) / dist(DAi, AAj) ≤ Max_Detour
mit
dist(DA,AA) Hyperbolische Distanz zwischen den Flughäfen DA und AA
Max_Waiting Maximal zulässige Wartezeit der Passagiere bis zum An-
schlussflug
Max_Detour Maximal zulässiger Detour-Factor
5
Die MCT wird im Modell in Abhängigkeit vom Hub-Flughafen und vom Typ
der Transferverbindungen definiert. Hierfür werden vier Verbindungstypen un-
terschieden, die sich über die Zugehörigkeit jedes der beiden Flugsegmente
zu einer nationalen oder internationalen Strecke bestimmen lassen 6. Die ak-
tuellen MCT-Werte für sämtliche Flughäfen der Welt für jeden der vier Verbin-
dungstypen werden in Form einer Liste in das Software-Tool eingelesen und
beim Bilden der Transferverbindungen berücksichtigt. Als Randbedingungen
des Modells, die die Anzahl der als wettbewerbsfähig betrachteten und somit
bewerteten Transferverbindungen beeinflussen, fungieren die Größen
Max_Waiting und Max_Detour.
Max_Waiting definiert die maximale Anzahl der Minuten, die ein Transfer-
passagier an einem Hub-Flughafen auf seine Anschlussverbindung zu warten
bereit ist. Sie beginnt mit der Ankunftszeit des Zubringerfluges und endet mit
der Abflugszeit des Anschlussfluges. Da sich die empirisch beobachtete Be-
reitschaft der Passagiere, auf den nächsten Anschlussflug zu warten, propor-
tional zur Gesamtdistanz der Verbindung verhält, muss das hier entwickelte
Modell die maximal zulässigen Wartezeiten nach den Distanz- bzw. Reise-
zeittypen der Transferverbindungen unterscheiden. Dieser Sachverhalt ist im
Modell und im Software-Tool derart abgebildet, dass der Benutzer jeweils
einen Wert für die maximale Wartezeit der Verbindungen mit einer Gesamt-
reisezeit von unter bzw. über vier Stunden angeben muss7.
Der Parameter Max_Detour legt den maximal zulässigen Umweg fest, der
auf einer Transferverbindung im Vergleich zu einem Direktflug zurückgelegt
werden darf. Im Modell wird ein einziger Max_Detour-Wert für alle Typen
von Verbindungen definiert.
Da das Generieren der Liste mit den gültigen Verbindungen die Gesamtlauf-
zeit und die Rechenintensität des Optimierungsprozesses in hohem Maße
beeinflusst, ist es im Sinne einer angemessenen Gesamtrechenzeit des Flug-
planoptimierungsmodells wichtig, diesen Schritt so effizient und schnell wie
möglich durchzuführen.
Bei der Implementierung des Algorithmus zum Aufbau der Transferverbindun-

gen wird zwischen den Flügen der zu untersuchenden Fluggesellschaft, im
Folgenden durch die Abkürzung XX indexiert, und den Flügen der Wettbe-
6
Die vier Verbindungstypen sind (DD – Domestic-to-Domestic, DI – Domestic-to-International, ID –
International-to-Domestic und II – International-to-International)
7
Die Gesamtreisezeit von vier Stunden gilt für die meisten innereuropäischen Transferverbindungen
werber, markiert mit den Buchstaben OT, unterschieden. Da sich das Verbin-
dungsangebot der Konkurrenz nicht ändert, wird es vor der eigentlichen Flug-
planoptimierung einmalig bestimmt. Dafür werden zuerst aus dem Weltflug-
plan nur die Flüge der Wettbewerber selektiert, die am interessierenden Wo-
chentag einen der von der untersuchten Airline angeflogenen Flughäfen be-
rühren. Des Weiteren wird in einem iterativen Prozess für jede der im Welt-
flugplan enthaltenen Konkurrenz-Airlines das Gesamtangebot an Direkt- und
Transferverbindungen auf allen möglichen O&D-Märkten ermittelt, entspre-
chend den parametrisierten Regeln zum Bilden von Hits.
A
n Sortiere die Airlines nach Gehe zum
Gehe zu den
f ihren IATA-Codes, ersten
a Flügen der
sortiere die Flüge nach Direktflug
n ersten Airline
der Abflugszeit dieser Airline
g
Gehört die
Verbindung zu Ja Berechne die Addiere den Nutzen
den Märkten von Nutzenattribute, zum bisherigen
XX, die geografisch kalkuliere den Nutzen Gesamtnutzen auf
sinnvoll bedient der Verbindung dem O&D
werden
können?
Sind alle
Nein möglichen
Transfer-
Ja
verbindungen mit
dem selektierten
Direktflug
Nein Handelt es
aufgebaut?
sich um eine
Direktverbindung?
Nein
Suche nach dem

zweiten Flug, mit dem Ist solch ein Flug Ja
Ja
eine Transfer- gefunden und sind
verbindung generiert die Kriterien für
werden kann einen Hit erfüllt?
Verwirf die
Transferverbindung
Nein
Gehe zum Nein Nein

Sind alle Ja Gehe zur
nächsten Direktflüge der Sind alle Airlines
nächsten
Flug dieser Airline untersucht? untersucht?
Airline
Airline
Ja
Ende
Abbildung 7.2: Ablaufschema zur Bestimmung des Konkurrenzangebots

Abbildung 7.2 zeigt die Ablaufstruktur des Prozesses zur Bestimmung des
Konkurrenzangebots. Wie man erkennt, werden die gebildeten Direkt- und
Transferverbindungen der Wettbewerber unter anderem daraufhin geprüft, ob
sie den O&D-Märkten angehören, die von der untersuchten Fluggesellschaft
geografisch sinnvoll erreicht werden können. Dafür werden alle möglichen
O&D-Märkte dieser Fluggesellschaft gebildet und in einer Liste gespeichert,
die entweder mit Direktflügen oder mit Transferverbindungen, die einen
kleineren als den parametrisierten Detour-Faktor aufweisen, angeflogen
werden. Sollte eine Konkurrenzverbindung keinem in dieser Liste abgelegten
O&D-Markt angehören, wird sie verworfen. Dies spart Rechenzeit und redu-
ziert das Volumen des notwendigen Arbeitsspeichers sowie die Zugriffszeiten
auf das entsprechende Konkurrenzangebot im Rahmen der Flugplanbewer-
tung. Nachdem das Gesamtangebot der Wettbewerber ermittelt und sein
Nutzen bewertet wurde, wird es in einer geordneten Liste abgelegt, auf die im
Laufe der Optimierungsroutine gezielt zugegriffen werden kann.
Das Verbindungsangebot der zu untersuchenden Fluggesellschaft wird auf

einem anderen Wege bestimmt (siehe Abbildung 7.3): Das Master-Problem
übergibt den Sub-Problemen eine Nachbarschaftslösung, die sich von der ak-
tuell besten Lösung durch die Änderung der Ankunfts- und Abflugszeit eines
einzigen Fluges unterscheidet. Zur Reduzierung des Rechenaufwandes wer-
den deshalb nur die Direkt- und Transferverbindungen aufgebaut, die mit
dem übergebenen Flug zusammenhängen. Dafür ist es zunächst wichtig zu
überlegen, welche anderen Direktflüge und Transferverbindungen von der
Änderung der Zeitenlage eines Fluges betroffen sein können.
Verändert das Master-Problem die zeitliche Position eines Fluges, so wird da-
durch die Passagiernachfrage nach anderen Direktflügen zu der gleichen
Destination, soweit solche vorhanden sind, beeinflusst. Dieser Sachverhalt
wurde im Abschnitt 6.2.4 ausführlich behandelt und resultiert im Wesentlichen
daraus, dass zwischen den einzelnen Verbindungen auf einem O&D Nach-
frageinterdependenzen bestehen.
Berechne die
Schreibe die
Anfang Ein Flug wird vom Master- Nutzenattribute,
Problem übergeben Direktverbindung in die
kalkuliere den Nutzen
Connection List
der Direktverbindung
Ermittle die relevanten

Wähle den ersten Flug
Zeitcluster für die zu
aus dem relevanten
bildenden Transfer-
Zeitcluster aus
Schreibe die Transfer- verbindungen
verbindung in die
Connection List
Gehört die
Verbindung zu
Ja Sind die Kriterien Ja den Märkten von XX,
Berechne die die geografisch
Nutzenattribute, für einen Hit erfüllt?
sinnvoll bedient
kalkuliere den Nutzen d. werden
Transferverbindung können?
Nein
Nein
Gehe zum
Ja Existieren weitere Ja
nächsten Flug zur Sind alle Flüge aus
Direktflüge zu der
gleichen dem Zeitcluster
gleichen
Destination untersucht?
Destination?
Ende
Nein
Nein
Existieren Gehe zum

Ja
Codeshares zum Gehe zum ersten nächsten Flug im
Direktflug? Codeshare-Flug Zeitcluster
Berechne die
Schreibe den
Nutzenattribute,
Codeshare-Direktflug in
die Connection-List
des Codeshare-Flugs
Nein Nein
Gehört die
Suche nach allen Verbindung zu den
Transferverbindungen Ja Sind die Kriterien Ja
Märken von XX, die
mit anderen Flügen der geografisch sinnvoll für einen
Codeshare-Airline bedient werden Hit erfüllt?
können?
Gehe zum
nächsten
Codeshare-Flug Nein
Berechne die
Sind alle Codeshare- Schreibe die Codeshare-
Nutzenattribute,
Flüge untersucht? Transferverbindungen in
d. Connection List
dieser Verbindungen
Abbildung 7.3: Bestimmung des Verbindungsangebots der zu untersuchenden Airline

Des Weiteren kann es vorkommen, dass der vom Master-Problem übergebe-

ne Flug einen Teil einer Mehr-Leg-Verbindung darstellt. Dies sind Transfer-
verbindungen, die aus mehreren zeitlich aufeinander abgestimmten Flügen
bestehen, die unter der gleichen Flugnummer publiziert sind. Sollte also die
Abflugs- und die Ankunftszeit eines Fluges in einer Mehr-Leg-Verbindung
geändert werden, müssen sich die Zeitenlagen der anderen diese Verbin-
dung bildenden Flüge sowie der darauf aufbauenden Transferverbindung
ebenfalls ändern. Abbildung 7.4 erläutert den hier beschriebenen Sachverhalt.
Folglich muss das Sub-Problem alle in der Mehr-Leg-Verbindung vorhande-
nen Flüge sowie die entsprechenden weiteren Direktflüge zu den gleichen
Destinationen aufbauen.
Schematische
Schematische Darstellung
Darstellung Erläuterung
Erläuterung
LH 123 • Der Flug LH 123 wurde ursprünglich wie

FRA NYC
10:00 13:00
folgt im Flugplan publiziert:
– LH 123 FRA-MUC 10:00-11:00
LH 123 LH 123 – LH 123 MUC-NYC 12:00-13:00
FRA MUC NYC
10:00 11:00 12:00 13:00
– LH 123 FRA-NYC 10:00-13:00
• Nach der Verschiebung der Abflugszeit

10:30 11:30 12:30 13:30 des Fluges FRA-MUC um 30 Minuten
ändern sich die Zeitenlagen der übrigen
Flüge wie folgt:
10:30 13:30 – LH 123 MUC-NYC 12:30-13:30
– LH 123 FRA-NYC 10:30-13:30
Abbildung 7.4: Änderung der Zeitenlagen der Mehr-Leg-Flüge
Wie im Kapitel 2 geschildert, kommt es im Rahmen von bilateralen Koopera-

tionen häufig zum gegenseitigen Ausweiten der Flugnetzwerke der Partner-
Fluggesellschaften durch die Vergabe von Codeshare-Flügen8. Wird während
des Optimierungsprozesses die Zeitenlage eines Fluges geändert, der ein
oder mehrere Codeshares besitzt, muss sich auch die Zeitenlage der Code-
shares ändern, was sich wiederum auf die Nachfrage nach diesen auswirkt.
Die entsprechenden Codeshare-Flüge werden somit von der Veränderung
des vom Master-Problem übergebenen Fluges beeinflusst und müssen der
Liste der relevanten aufzubauenden Verbindungen hinzugefügt werden.
Sollten die oben beschriebenen Direktflüge zur gleichen Destination wie der
8
Siehe Abschnitt 2.3.3.3.2
übergebene Flug ebenfalls Codeshares besitzen, müssen diese Codeshares

ebenso identifiziert und vom Sub-Problem aufgebaut werden.
Der Übersichtlichkeit halber seien die Typen der vom Sub-Problem aufzubau-
enden Direktflüge noch einmal zusammengefasst:
1. Der vom Master-Problem übergebene Flug
2. Direktflüge von und zu der gleichen Destination wie der übergebene Flug
3. Codeshares des übergebenen Fluges (falls vorhanden)
4. Codeshares der Direktflüge von und zu der gleichen Destination wie der
übergebene Flug (falls vorhanden)
5. Alle Segmente eines Mehr-Leg-Fluges (falls der übergebene Flug Teil
eines Mehr-Leg-Fluges ist)
6. Weitere Direktflüge mit ihren Codeshares von und zu den gleichen
Destinationen wie die Segmente des betroffenen Mehr-Leg-Fluges (falls
vorhanden und falls der übergebene Flug Teil eines Mehr-Leg-Fluges ist)
7. Codeshares auf die Segmente des Mehr-Leg-Fluges (falls der übergebe-
ne Flug Teil eines Mehr-Leg-Fluges ist)
Nachdem alle relevanten Direktflüge identifiziert und aufgebaut wurden, müs-

sen im nächsten Schritt sämtliche valide Transferverbindungen dieser Direkt-
flüge gebildet werden. Dabei werden, ähnlich wie beim Generieren der Trans-
ferverbindungen der Wettbewerber, die Gültigkeit der Hit-Bedingung sowie
die Zugehörigkeit der Verbindungen zu den geografisch sinnvoll angebunde-
nen Märkten geprüft. Um allerdings die Suche nach passenden Anschlussflü-
gen für die Direktflüge der zu untersuchenden Airline zu beschleunigen, wird
hier zusätzlich das Zeitcluster dieser Direktflüge identifiziert, in dem ausge-
hend von der MCT und der maximalen Wartezeit potenziell die Anschlussflü-
ge liegen können, und mit Hilfe einer Zeiger-Variable auf die in dem
Zeitcluster befindlichen Anschlussflüge verwiesen. Für die Codeshares
müssen die Transferverbindungen mit den Flügen der entsprechenden
Partner-Airlines gebildet werden. Dies erfolgt mit dem gleichen Algorithmus,
wie er für das Generieren des Transferangebotes der Konkurrenz eingesetzt
wurde.
7.2.2.1.2 Subproblem 2: Flugplanbewertung

Das zweite Sub-Problem des Flugplanoptimierungsmodells besteht in der Be-
wertung der vom Master-Problem generierten Flugplanlösung. In diesem
Schritt werden die mit Hilfe des im vorangegangenen Abschnitt beschriebe-
nen Algorithmus gebildeten Direkt- und Transferverbindungen im Bezug auf

die zu erwartenden Passagierumsätze und Verspätungskosten evaluiert. Ein
Teil des Bewertungssubproblems ist, wie man aus den Abbildungen 7.2 und
7.3 erkennen kann, bereits in Form der Berechung des Nutzens der einzel-
nen Verbindungen in die Routine zum Aufbauen der Connections integriert. In
den zwei nachfolgenden Abschnitten wird die genaue Ausgestaltung des
Bewertungssubproblems dargestellt.
7.2.2.1.2.1 Schätzung der Passagiernachfrage und der zu erwartenden

Passagierumsätze
Die Basis für die Evaluierung der zu erwartenden Passagierumsätze bildet
die Schätzung der Passagiernachfrage nach den von der jeweiligen Airline
angebotenen Flugverbindungen. Diese Nachfrage lässt sich als Auswahl-
wahrscheinlichkeit bzw. Marktanteil der einzelnen Flugverbindung ausdrü-
cken und mit Hilfe der im Kapitel 6 präsentierten Modelle diskreter Entschei-
dungen schätzen. Solche Modelle zum Prognostizieren des Passagierauf-
kommens, das mit einem Flugplan generiert wird, werden in der Luftfahrt-
industrie als Marktmodelle bezeichnet. Da sich die Berücksichtigung und die
Gewichtung der die Auswahlentscheidung beeinflussenden Faktoren einer-
seits sowie die relevante Marktgröße und der Durchschnittsertrag auf dem
gleichen O&D-Markt für die Geschäfts- und die Privatreisenden andererseits
sehr stark voneinander unterscheiden können, muss zur Gewährleistung der
empirischen Validität der Nachfrageschätzung stets jeweils ein Marktmodell
für jedes der beiden Passagiersegmente entwickelt und angewandt werden.
In dieser Arbeit werden die Fluggäste, die sich für den Business-Class-Tarif
entscheiden, als Geschäftsreisende und die anderen Passagiere als Privat-
reisende bezeichnet.
Für die Ermittlung der zu erwartenden Passagierumsätze einer Flugplanlö-

sung werden außer der Schätzung der Marktanteile noch weitere Schritte
benötigt. Abbildung 7.5 schildert die in das entwickelte Flugplanoptimierungs-
modell integrierte Vorgehensweise zur Berechnung der Passagierumsätze:
Zur Kalkulation der Anzahl der auf den einzelnen Flugverbindungen zu
erwartenden Passagiere werden die evaluierten Marktanteile mit der Ge-
samtpassagiernachfrage auf den entsprechenden O&Ds und Passagierseg-
menten multipliziert. Ferner wird der Umsatz, den eine Airline durch die
Beförderung der Direkt- und Transferpassagiere generiert, als das Produkt
der Passagierzahl und des Durchschnittsertrags der jeweiligen Flugverbin-
dung errechnet.
Schätzung der Berechnung der Kalkulation des

Marktanteile Passagierzahl Passagierumsatzes
Input: Input: Input:

• Vollständiges Angebot an • Marktanteile der Direkt- und • Anzahl der Passagiere der zu
Direkt- und Transfer- Transferverbindungen der zu untersuchenden Airline auf
verbindungen der zu unter- untersuchenden Airline angebotenen Verbindungen
suchenden Airline sowie das • Gesamtpassagiernachfrage • Durchschnittsertrag bzw.
relevante Angebot der auf den entsprechenden Ticketpreis auf den
Konkurrenz O&D-Märkten entsprechenden O&D-
• Attribute der Verbindungen Märkten
Vorgehensweise: Vorgehensweise: Vorgehensweise:
• Schätzung der Marktanteile • Multiplikation der geschätzten • Multiplikation der Anzahl der
der Verbindungen mit Hilfe Marktanteile mit der Passagiere mit dem Durch-
der Modelle diskreter Gesamtpassagiernachfrage schnittsertrag
Entscheidungen
Output: Output: Output:
• Marktanteile der angebotenen • Anzahl der Passagiere, die • Umsatz, der auf jeder
Direkt- und Transfer- auf jeder angebotenen Direkt- angebotenen Verbindung der
verbindungen und Transferverbindung zu untersuchenden Airline
befördert werden generiert wird
Abbildung 7.5: Vorgehensweise zur Berechnung der zu erwartenden Passagierumsätze

für eine Flugplanlösung.
Im Kapitel 6 wurde das SABRE-Logit-Modell als das am besten für den

Einsatz in einem iterativen Flugplanoptimierer zur Prognose der Marktanteile
der angebotenen Verbindungen geeignete Modell selektiert. Im Folgenden
wird die Implementierung dieses Modells im Bewertungssubproblem des
entwickelten Flugplanoptimierungsmodells sowie seine Umsetzung im Soft-
ware-Tool dargestellt.
Die Schätzung der Marktanteile der einzelnen Flugverbindungen in den im

Kapitel 6 präsentierten Modellen diskreter Entscheidungen basiert auf dem
Vergleich der Nutzenwerte der verfügbaren Alternativen. Der alternativspezifi-
sche Nutzen wird im in dieser Arbeit implementierten Marktmodell durch fol-
gende Variablen beschrieben:
1. Gesamtreisezeit (Elaptime): Anzahl der Flugstunden, die zwischen der
Abflugszeit am Startflughafen und der Ankunftszeit am Zielflughafen lie-
gen. Bei Transferverbindungen geht somit die Wartezeit auf den An-
schlussflug Nutzen mindernd in die Bewertung ein. Außer der Beschrei-
bung der zeitlichen Länge der jeweiligen Flugverbindung werden durch
die Variable Gesamtreisezeit indirekt einige andere Entscheidungsfakto-
ren der Passagiere abgebildet: So werden oft vor allem die Verbindungen
nachgefragt, die auf dem Bildschirm der Computerreservierungssysteme
(CRS) oben erscheinen. Die Sortierung der Verbindungen im CRS erfolgt

meistens nach Reisedauer, so dass die kürzeren Connections bessere
Marktchancen haben. Die Gesamtreisezeit korreliert ebenfalls mit dem
Detour-Faktor der Verbindung: Je kürzer die Reisezeit, desto kleiner ist in
der Regel der Umweg, den die Passagiere auf ihrer Route zwischen der
Anfangs- und der Enddestination zurücklegen müssen. Der Wert der Va-
riablen Gesamtreisezeit errechnet sich aus der Division der Anzahl der
Reiseminuten durch 60.
2. Airline-Image (Image): Diese Variable charakterisiert die Qualität, aber
auch das Preisniveau der jeweiligen die Flugverbindung ausführenden
Airline. Das Airline-Image kann z.B. vom Wartungszustand der Flugzeuge
und somit von der Flugsicherheit sowie von der Breite des Service-Ange-
bots und dem relativen Preisniveau abhängen. Handelt es sich bei einer
Flugverbindung um ein Codeshare, so wird das Image der im Flugplan
publizierten, also nicht der die Verbindung operationell ausführenden
Fluggesellschaft verwendet. Dies erklärt sich damit, dass die Passagiere,
die eine Codeshare-Verbindung nachfragen, in der Regel das Image der
das Ticket ausstellenden Airline wahrnehmen. Der Wertebereich dieser
Variablen liegt im Intervall [1, 4], wobei der Wert Eins das jeweils schlech-
teste und der Wert Vier das beste Image repräsentieren.
3. Anzahl der Zwischenstopps (Nr_Transits): Anzahl der Zwischenstopps
bzw. der Umstiege, die ein Passagier auf seiner Route tätigen muss. Bei
einer Direktverbindung nimmt diese Variable den Wert Null an, bei Trans-
ferverbindungen ist ihr Wert größer oder gleich Eins. Der Nutzen einer
Alternative muss, ausgehend vom beobachteten Passagierverhalten, ne-
gativ mit der Höhe dieser Variablen korrelieren.
4. Anzahl der Codeshares (Nr_Codeshares): Diese Variable zeigt an, wie
viele Flüge der jeweiligen Verbindung von der im Flugplan publizierten
Airline nicht selbst operationell ausgeführt werden.
5. Anzahl der Nachtflüge (Nr_Overnights): Anzahl der Flüge in einer
Verbindung, die in der Nacht ausgeführt werden. Die Berücksichtigung
dieser Variablen ist deshalb wichtig, weil einige Passagiere Nachtflüge
wegen der Möglichkeit, unterwegs zu schlafen, bevorzugen. Ein Leg einer
Flugverbindung wird als Nachtflug deklariert, wenn er nach 22 Uhr startet
und seine Flugzeit mindestens fünf Stunden beträgt. Erwartungsgemäß
ist der Wert des Koeffizienten für diese Variable positiv.
6. Anzahl der Flugsegmente einer Flugverbindung, die nicht mit einem
Düsenflugzeug ausgeführt werden (Nr_Non_Jets): Die Hereinnahme
dieser Variablen zur Nutzenbeschreibung erklärt sich durch die beobach-

tete Aversion der Passagiere, mit einem in der Regel lauten und wegen
seiner relativ kleinen Abmessungen unkomfortablen Propellerflugzeug zu
fliegen. Hier wird ein negativer Schätzkoeffizient erwartet.
7. Ankunftszeitpräferenz (Arr_Pref): Die Ankunftszeitpräferenz spiegelt
den Wunsch der Passagiere wider, zu einer bestimmen Tageszeit an ih-
ren Zieldestinationen anzukommen. Jede alternative Flugverbindung wird
somit durch einen von der jeweiligen Ankunftszeit abhängenden Präfe-
renzindex charakterisiert. Die Verteilung der Ankunftszeitpräferenz, die für
die beiden Passagiersegmente Geschäfts- und Privatreisende unter-
schiedlich ist, wird hier über den aus den empirischen Daten berechneten
Anteil der Passagiere gebildet, die zu einer bestimmten Zeit an einem
Flughafen ankamen9. Die Abbildungen 7.6 und 7.7 zeigen die Verteilun-
gen der Ankunftszeitpräferenzen für Geschäfts- und Privatreisende für
jeden Wochentag.
Präferenzindex
0,01
Mo Di Mi Do Fr Sa So
0,008
0,006
0,004
0,002
Wochentag / Tageszeit
Abbildung 7.6: Verteilung der Ankunftszeitpräferenzen der Geschäftsreisenden (Quel-

le: Bureau of Transportation Statistics, eigene Berechnungen)
9
Als Datenbasis dafür fungieren die vom Bureau of Transportation Statistics publizierten Passagierdaten
Präferenzindex
0,008
Mo Di Mi Do Fr Sa So
0,006
0,004
0,002
Wochentag / Tageszeit
Abbildung 7.7: Verteilung der Ankunftszeitpräferenzen der Privatreisenden (Quelle:

Bureau of Transportation Statistics, eigene Berechnungen)
Die Abbildungen 7.6 und 7.7 lassen erkennen, dass die Geschäftsreisen-
den mit Ausnahme der Wochenendtage entweder morgens oder abends
ankommen möchten und die Abflugszeitpräferenzen der Privatreisenden
eher gleichmäßig über die Tageszeit von 7 bis 21 Uhr verteilt sind.
8. Abweichung von der gewünschten Abflugszeit (Dep_Diff): Das Ver-
hältnis der Anzahl der Minuten zwischen der tatsächlichen und der ge-
wünschten Abflugszeit einer Verbindung zu der Gesamtzahl der Minuten
an einem Tag (1440 Minuten). Es wurde hier eine relative und keine ab-
solute Zahl gewählt, da im Fall einer Absolutzahl die Ausführung des Ka-
librierungsalgorithmus wegen der manchmal zu hohen Nutzenwerte nicht
abgeschlossen werden konnte10. Da das in dieser Arbeit entwickelte Mo-
dell die Flugpläne an einem vom Benutzer spezifizierten Tag optimiert,
wird hier als gewünschte Abflugszeit jeder mögliche Zeitpunkt in einer
fünfminütigen Sequenz im Rahmen des gewählten Tages betrachtet. Ins-
gesamt ergeben sich somit 288 mögliche Abflugszeiten. Die zur Gewich-
tung der zeitpunktbezogenen Auswahlwahrscheinlichkeiten notwendige
Verteilung der Abflugszeitpräferenzen wird als der beobachtete Anteil der
10
Die zu hohen Nutzenwerte traten manchmal auf, da der alternativspezifische Nutzen durch eine Exponen-
tialgleichung beschrieben wird, die bei hohen Absolutwerten der Abweichung von der gewünschten
Abflugszeit den vom Computer zulässigen Zahlenbereich überschritten hat
Passagiere definiert und berechnet, die an einem Wochentag zu einer

bestimmen Tageszeit an einem Flughafen ankamen.
Die Berechung der alternativspezifischen Auswahlwahrscheinlichkeiten er-

folgt basierend auf der Formel (6.11). Da sich allerdings der Zeitrahmen der
Modellbetrachtung im Unterschied zum herangezogenen SABRE-Logit-Mo-
dell nicht auf eine Woche, sondern auf einen Tag mit maximal 288 möglichen
Abflugszeitpunkten bezieht und da hier nicht zwischen den Nutzenwerten für
verschiedene Wettbewerber-Airlines unterschieden wird, sondern ein aggre-
gierter Nutzenwert für das Konkurrenzangebot auf einem O&D für jeden
Abflugszeitwunsch berechnet wird, wird die Formel (6.11) wie folgt modifiziert:
xi β + β k ti −tk
288 e 288 uikXX
pi = ¦ sk ⋅ = ¦ sk ⋅ (7.3)
k =1 x j β + β k t j − tk k =1 ukOT + ¦ u XX
¦ e jk
j∈J d j∈J dXX
mit
J dXX Gesamtheit der Verbindungen der zu untersuchenden Airline auf dem
jeweiligen O&D am Tag d
XX
uik Nutzen der Verbindung i der zu untersuchenden Airline zum Abflugs-
zeitpunkt k
ukOT Aggregierter Nutzen der Verbindungen der Konkurrenz auf dem je-
weiligen O&D zum Abflugszeitpunkt k am Tag d
Die Kalibrierung des Marktmodells wurde basierend auf der im Abschnitt

6.3.1 beschriebenen Maximum-Likelihood-Methode durchgeführt. Die
Kalibrierung erfolgte mit der statistischen Software GAUSS. Zur Reduzierung
des mit der Parameterschätzung verbundenen Rechenaufwandes und somit
zur Beschleunigung des Kalibrierungsprozesses wurde der Gradientenvektor
von (7.3) an die Kalibrierungsroutine übergeben. Seine Formel findet sich
nachfolgend:
§ ·
¨ 288 eU ik ¸
∂ ¨ PAX i ⋅ ln ¦ sk U
¸
¨ k =1 ¦ e jk ¸
∂ log L ¨ j
¸
= © ¹
∂β ∂β
§ ª § U ·º·
¨ 288 « ¦ ¨ X jk ⋅ e jk ¸»¸
PAX i eU ik j© ¹
= ⋅ ¨ ¦ sk ⋅ « X ik − »¸
(7.4)
288 eU ik ¨ k =1 U
¦ e jk « U
¦ e jk »¸
¦ sk U jk ¨ « »¸
© j ¬ j ¼¹
k =1 ¦e
j
Die durch die Kalibrierung erhaltenen Schätzkoeffizienten und die die Güte
der Schätzung wiedergebenden Teststatistiken für die Marktmodelle der Ge-
schäfts- und Privatreisenden sind in Tabelle 7.1 zusammengefasst. Die ne-
ben den einzelnen Koeffizienten in Klammern stehenden Zahlen sind die
entsprechenden t-Werte.
Marktmodell für Marktmodell für

Variable
Geschäftsreisende Privatreisende
βElaptime -5,81 (-32,51) -1,55 (-79,13)
βImage 0,39 (44,46) -0,33 (-93,30)
βNr_Transits -2,65 (-99,56) -2,25 (-370,42)
βNr_Codeshares -1,44 (-93,18) -1,81 (-183,68)
βNr_Overnights 0,17 (2,17) -0,39 (-24,47)
βNr_Non_Jets -0,72 (-26,82) -2,27 (-45,59)
βArr_Pref 93,84 (25,11) 15,94 (8,95)
βDep_Diff -0,09 (-4,49) 1,03 (29,56)
MAE 0,41 0,38
RMSE 0,03 0,03
ρ 22 0,32 0,29
Tabelle 7.1: Schätzkoeffizienten und Teststatistiken der Marktmodellkalibrierung
Die Kalibrierungsergebnisse zeigen, dass alle verwendeten erklärenden Vari-

ablen auf einem Konfidenzniveau von 95% signifikant sind. Außerdem bestä-
tigen sie die Erwartungen bezüglich des Niveaus und des Vorzeichens der
einzelnen Koeffizienten. So zeigt es sich, dass die Geschäftsreisenden die
Gesamtreisezeit, die Anzahl der Zwischenstopps sowie die Ankunftszeitpräfe-
renz bei der Durchführung ihrer Auswahlentscheidungen stärker gewichten
als die Privatreisenden. Ein besseres Airline-Image wird zudem von Ge-
schäftsreisenden als positiv bewertet, wogegen es die Privatreisenden – ver-
mutlich wegen seiner Korrelation mit dem Preisniveau der jeweiligen Airline –
als nachteilig empfinden.
Ein unterschiedliches Verhalten der Vertreter der beiden Passagiersegmente

ist auch bezüglich ihrer Einstellung zu der Anzahl der Nachtflüge und der
Abweichung von der gewünschten Abflugszeit festzustellen. Der Nutzen einer
alternativen Flugverbindung nimmt für die Geschäftsreisenden mit der Erhö-
hung der Anzahl der Nachtflüge zu und reduziert sich bei der wachsenden
Entfernung der Abflugszeit dieser Flugverbindung vom Abflugszeitwunsch.
Für die Privatreisenden weisen die Schätzkoeffizienten dieser Variablen in-
verse Vorzeichen auf.
Bei der Bewertung und Optimierung der Flugpläne mit dem Software-Tool
können die Werte der Koeffizienten des Marktmodells vor jedem Lauf in der
dafür konzipierten Eingabemaske spezifiziert werden. Abbildung 7.8 zeigt die
entsprechende Eingabemaske des Tools.
Abbildung 7.8: Eingabemaske für die Marktmodell-Parameter
7.2.2.1.2.2 Evaluierung der Verspätungskosten

Die im Kapitel 4 geschilderten starken negativen Auswirkungen der Flugver-
spätungen auf die Kostenbasis einer Fluggesellschaft führen zu der Notwen-
digkeit der Berücksichtigung der mit einem Flugplan assoziierten erwarteten
Verspätungskosten im Prozess der Flugplanentwicklung und -optimierung.

Da die meisten aus der Literatur bekannten Flugplanoptimierungsmodelle
dies überhaupt nicht oder nicht im ausreichenden Maße gewährleisten, wird
in der vorliegenden Arbeit versucht, die mit dem irregulären Flugbetrieb
verbundenen Unsicherheitsaspekte bezüglich der tatsächlichen Abflugs- und
Ankunftszeiten der Flüge realitätsnah abzubilden, in die für eine Airline
relevanten Kosten zu überführen und bei der Optimierung der Flugpläne zu
berücksichtigen. Dabei werden die Flugverspätungen basierend auf der im
Kapitel 5 präsentierten Theorie der Fuzzy-Mengen modelliert.
Vor der eigentlichen Modellierung der Verspätungskosten muss überlegt wer-

den, welche Arten dieser Kosten der Entwickler eines Flugplans durch seine
Aktionen unmittelbar beeinflussen kann. Von den im Abschnitt 4.2.4.1 darge-
stellten möglichen Verspätungskostenarten scheinen lediglich die passagier-
bezogenen Kosten sowie die Opportunitätskosten der Netzwerkqualität durch
Festlegung der zeitlichen Positionen der einzelnen Flüge im Rahmen der
Flugplanoptimierung betroffen sein.
Die Opportunitätskosten der Netzwerkqualität definieren sich als die monetä-

re Bewertung des Attraktivitätsverlusts eines Flugplans. Dieser Attraktivitäts-
verlust entsteht, wenn die Planwartezeiten zwischen den eine Transferverbin-
dung bildenden Flügen in Antizipation möglicher Flugverspätungen verlängert
werden. Das hier zur Schätzung der Passagierzahl und der zu erwartenden
Passagierumsätze eingesetzte Marktmodell bildet die mit der Veränderung
der Planreisezeit der angebotenen Connections verbundenen Qualitätsmin-
derungen ab, indem es die Gesamtreisezeit einer Flugverbindung und die
Zeitenlagen der Flüge explizit berücksichtigt. Daher werden die Opportuni-
tätskosten der Netzwerkqualität bereits im Bewertungssubproblem des entwi-
ckelten Flugplanoptimierungsmodells erfasst. Somit müssen zusätzlich nur
noch die passagierbezogenen Verspätungskosten modelliert und bewertet
werden.
Abbildung 7.9 zeigt die Vorgehensweise zur Berechnung der passagierbezo-

genen Verspätungskosten. Man erkennt daraus, dass sich die zu erwarten-
den Verspätungskosten aus der Multiplikation der potenziellen Verspätungs-
kosten mit der Verspätungsmöglichkeit ergeben. Die potenziellen Verspä-
tungskosten werden dabei grundsätzlich als der prozentuale Abschlag auf
den auf einer Transferverbindung zu erwartenden Passagierumsatz definiert.
Die Verspätungskosten der Direktflüge werden bei der Modellierung nicht be-
achtet, da sie vom Flugplanentwickler nicht beeinflusst werden können. Die
1
Berechnung der potenziellen
Verspätungskosten
Die gesamten passagierbezogenen

Kosten, die potenziell beim Auftreten 3
einer Verspätung anfallen würden
Berechnung der erwarteten
Verspätungskosten
Errechnen sich als Produkt der

2 potenziellen Verspätungskosten und
Berechnung der der Verspätungsmöglichkeit
Verspätungsmöglichkeit
Möglichkeit dafür, dass eine Transfer-

verbindung wegen der Verspätung
des Zubringers auseinander bricht
und Verspätungskosten entstehen
Abbildung 7.9: Vorgehensweise zur Berechnung der Verspätungskosten
Verspätungsmöglichkeit gibt an, wie groß die Möglichkeit ist – ausgehend von
den geplanten und tatsächlich realisierten Zeitenlagen der einzelnen Flüge
einer Transferverbindung – einen Anschlussflug nicht zu erreichen und somit
als Passagier verspätet zu sein. Diese Kennzahl wird basierend auf der
Theorie der Fuzzy-Mengen evaluiert.
Der Umsatzabschlag, der die potenziellen passagierbezogenen Verspätungs-

kosten bestimmt, hängt im Modell von folgenden Faktoren ab:
• Wartezeit auf den nächsten Flug, der die Passagiere, die wegen der
Verspätung des Zubringerfluges ihren Anschlussflug nicht erreichen konn-
ten, zu ihren Zieldestinationen befördert. Wie im Abschnitt 4.2.4.1 geschil-
dert, ist es gesetzlich vorgeschrieben, dass die Passagiere, die eine Ver-
spätung in Kauf nehmen müssen, von der Airline entschädigt werden
müssen. Diese Entschädigung hängt von dem mit der Verspätung verbun-
denen Zeitverlust ab. Darüber hinaus bestimmt diese Wartezeit die bei
den Passagieren anfallenden Verspätungskosten 11 und wirkt sich somit
indirekt auf die langfristigen Opportunitätskosten aus, die infolge der inter-
und intramodalen Kundenabwanderung entstehen. Der verspätungsbe-
dingte Zeitverlust errechnet sich als die Differenz zwischen der geplanten
11
Abflugszeit des Anschlussfluges einer Transferverbindung und der Ab-

flugszeit des nächstmöglichen Fluges, mit dem die Passagiere zu ihrem
Zielflughafen transportiert werden können.
• Airline-Typ des Fluges, mit dem die Passagiere zu ihren Zieldestinatio-
nen geflogen werden, die den Anschlussflug verpasst haben. Um die ver-
spätungsbedingte Wartezeit der Passagiere zu minimieren, werden diese
üblicherweise von der für die Verspätung verantwortlichen Airline auf die
nächstmöglichen Flüge zur selben Destination umgebucht. Da diese Flü-
ge nicht unbedingt von der eigenen Airline ausgeführt werden, muss ein
Teil des eingenommenen Ticketpreises der die Passagiere weiterbeför-
dernden Airline überlassen werden. Das Modell unterscheidet zwischen
drei Airline-Typen, mit denen die wegen der Verspätung eines Zubringer-
fluges stehen gebliebenen Fluggäste transportiert werden können: eigene
Airline, Partner-Airline und Konkurrenz-Airline. Für jeden Typ wird ein vom
Modellbenutzer zu spezifizierender Kostenaufschlagsfaktor definiert, der
die passagierbezogenen Verspätungskosten unmittelbar beeinflusst.
• Verteilung der Passagiere auf die nächstmöglichen Flüge. Im Modell
wird angenommen, dass alle Passagiere, die ihren Anschlussflug nicht er-
reichen konnten, mit den nächsten zwei späteren Flügen weiterbefördert
werden. Die prozentuale Verteilung der Passagiere auf diese Flüge, die
ebenfalls vom Benutzer vorgegeben wird, nimmt Einfluss auf die Höhe
der Verspätungskosten. Für die empirischen Läufe wird unterstellt, dass
jeweils 80% der Passagiere mit dem ersten und 20% mit dem zweiten
späteren Flug transportiert werden.
Die Funktion, die die vom Zeitverlust der Passagiere abhängende Entschädi-
gung wiedergibt, sollte in etwa die in Abbildung 7.10 skizzierte Gestalt ein-
nehmen. Das genaue Aussehen dieser Funktion kann vom Modellbenutzer
im Software-Tool durch die Angabe der prozentualen Umsatzabschläge für
jede halbe Stunde der zusätzlichen Flugverspätung vorgegeben werden.
Umsatz-
abschlag
[%]
100
75
50
25
0,5 1,0 1,5 2,0 2,5 3,0 3,5 4,0 4,5 5,0 Verspätung
[Std.]
Abbildung 7.10: Erwartete Abhängigkeit des Umsatzabschlags von der Verspätungshöhe
Abbildung 7.11 zeigt eine der Benutzeroberflächen des Software-Tools zum

Parametrisieren der Berechnung der Verspätungskosten.
Abbildung 7.11: Parametrisierung der Verspätungskostenberechung im Software-Tool

Zusätzlich zu der zeitabhängigen Komponente der Passagierentschädigung

können infolge einer Flugverspätung Übernachtungskosten entstehen. Diese
werden fällig, wenn es am gleichen Tag, an dem die Transferpassagiere ih-
ren Anschlussflug nicht erreichen konnten, keinen oder nur einen einzigen
späteren Flug zu der gleichen Destination wie der des Anschlussfluges gibt.
Im letzteren Fall ergeben sich die Übernachtungskosten nur für die Passagie-
re, die nicht mit dem nächstmöglichen Flugzeug mitgekommen sind. Die
Höhe der Übernachtungskosten für einen Passagier ist ein Modellparameter,
den der Benutzer spezifizieren muss.
Ausgehend von den oben dargestellten Annahmen und Zusammenhängen

können die potenziellen passagierbezogenen Verspätungskosten wie folgt
formal beschrieben werden:
DCijp = PAXij ⋅ ((a1⋅ K 1j ⋅V j1 ⋅ Z 1j + a2⋅ K 2j ⋅V j2 ⋅ Z 2j +
((1- a1)⋅V j1 + (1- a2)⋅V j2 )⋅ OD ) ⋅Rij + (7.5)
((1- a )⋅ 1
1 Vj + (1- a )⋅
2 Vj
2
)⋅OC) ,
mit
DCijp Potenzielle Verspätungskosten der Transferverbindung (i-j)

K 1j , K 2j Airline-Typ-spezifischer Kostenaufschlagsfaktor für den ersten
und den zweiten späteren Flug des Anschlussfluges j
1 2
V j, V j Prozentuale Verteilung der Passagiere auf den ersten und den
1 2
Z j, Z j Wartezeitabhängiger Umsatzabschlag für den ersten und den
Rij Durchschnittlicher Passagierertrag auf der Transferverbindung
(i-j)
OC Übernachtungskosten für einen Passagier
OD Umsatzabschlag bei einer Übernachtung
PAXij Anzahl der Passagiere auf der Transferverbindung (i-j)
Nj Anzahl der nächstmöglichen Flüge zum Bestimmungsort von j
°1 falls Nj ≥ 1
a1 = ®
°̄0 sonst
°1 falls Nj ≥ 2
a2 = ®
°̄0 sonst
Mit Hilfe eines Beispiels soll im Folgenden die Vorgehensweise bei der
Berechung der potenziellen Verspätungskosten erläutert werden. In Abbil-
dung 7.12 wird der Aufbau des Beispiels grafisch verdeutlicht.
Nehmen wir an, es handelt sich um eine Transferverbindung von München

nach New York über Frankfurt, auf der sich 100 Passagiere befinden. Der
zeitliche Abstand zwischen der geplanten Abflugszeit des Fluges Frankfurt–
New York und den Abflugszeiten der nächsten zwei späteren Flüge beträgt
jeweils zwei und fünf Stunden, was zu Passagierentschädigungen in Höhe
von 25% und 55% der eingenommenen Ticketpreise von EUR 1.000 führt.
Weiterhin sei angenommen, dass der erste spätere Flug von der eigenen
Airline und der zweite spätere Flug vom Wettbewerber ausgeführt wird. Die
entsprechenden Kostenaufschlagsfaktoren betragen dafür 1,0 und 1,3. Die
Passagiere, die den geplanten Flug von Frankfurt nach New York wegen der
Verspätung des Fluges München–Frankfurt nicht erreichen konnten, werden
zu 80% mit dem ersten und zu 20% mit dem zweiten späteren Flug nach New
York geflogen. Somit errechnet sich der Betrag der potenziellen Verspätungs-
kosten aus der folgenden Gleichung:
DCijp = 100⋅ (1,0 ⋅ 80% ⋅ 25% + 1,3 ⋅ 20% ⋅ 55%) ⋅ 1.000 € = 34.300 €
NYC NYC NYC

Ursprünglich Eigener Flug Konkurrenzflug
geplanter (K=1) (K=1,3)
Flug
Transfer-
verbindung
kommt wegen
einer Verspätung
nicht zustande
FRA Z1 = 25% Z2 = 55%
10:00 12:00 15:00 Tageszeit

80 Passagiere 20 Passagiere
100 Passagiere,
1000€ / Ticket
MUC
Abbildung 7.12: Beispiel zur Berechnung der potenziellen Verspätungskosten
Würde es im obigen Beispiel nur einen einzigen späteren Flug geben, der mit
zwei Stunden zusätzlicher Wartezeit assoziiert ist und mit der eigenen Airline
ausgeführt wird, und würden die Übernachtungskosten pro Passagier
EUR 100 betragen, so würde man die potenziellen Verspätungskosten bei
einem übernachtungsbedingten Umsatzabschlag von 65% wie folgt kalkulie-
ren:
DCijp = 100 ⋅ ((1,0 ⋅ 80% ⋅ 25% + 65% ⋅ 20%) ⋅ 1.000 € ) + 20% ⋅ 100 €)
= 35.000 €
Es ist wichtig anzumerken, dass der vom Benutzer zu definierende wartezeit-

und übernachtungsabhängige Umsatzabschlag nicht nur den tatsächlich an
die Passagiere zu zahlenden Geldbetrag wiedergeben muss, sondern auch
den indirekten Imageverlust quantifizieren kann.
Der zweite Schritt bei der Berechnung der Verspätungskosten ist die Herlei-
tung der Verspätungsmöglichkeit. Diese basiert auf der Interpretation der
Zeitenlagen der Flüge als Fuzzy-Zahlen und gibt den Grad der Möglichkeit an,
mit der ein Verspätungsereignis stattfinden kann. Wie im Abschnitt 5.2.3
erklärt, eignen sich die in der Theorie der Fuzzy-Mengen zum Vergleich von
Fuzzy-Zahlen eingesetzten Präferenz- und Ordnungsverfahren nicht zur Be-
antwortung der für diese Arbeit relevanten Fragestellung nach der Evaluie-
rung der Eintrittschancen für das verspätungsbedingte Nichterreichen der
Anschlussflüge. Daher wird hier ein Verfahren vorgeschlagen, das dies
gewährleisten soll. Wie aus Abbildung 7.13 ersichtlich ist, geht das Verfahren
vom Vergleich der Flächen unter den jeweiligen Fuzzy-Zugehörigkeits-
funktionen aus.
~ ~
µ B A
Tageszeit
LB=0 LA=0 T RB=0 RA=0
(geplante
Abflugszeit)
Abbildung 7.13: Herleitung der Verspätungsmöglichkeit aus Fuzzy-Zugehörigkeits-
funktionen der Zeitenlagen
und B wird
Die Verspätungsmöglichkeit bei den gegebenen Fuzzy-Zahlen A
näherungsweise mit der nachfolgenden Formel berechnet:
RB = 0 T
³ µ B dt + r ⋅ ³ min( µ A , µ B )dt
T LA =0
p= ⋅
RB =0
³ µ B dt
LB = 0 (7.6)
RA =0 T
³ min( µ A , µ B )dt + r ⋅ ³ min( µ A , µ B )dt
T LA =0
RA =0 T
³ µ Adt + r ⋅ ³ µ Adt
T LA =0
mit
p Verspätungsmöglichkeit
A Fuzzy-Abflugszeit des Anschlussfluges
B Fuzzy-Ankunftszeit des Zubringerfluges plus MCT
µ A Zugehörigkeitsfunktion der Fuzzy-Abflugszeit des Anschlussfluges
µ B Zugehörigkeitsfunktion der Fuzzy-Ankunftszeit des Zubringerfluges
plus MCT
LA , LB Referenzfunktion der linken Seite der Fuzzy-Zahl A bzw. B
R , R Referenzfunktion der rechten Seite der Fuzzy-Zahl A bzw. B
A B
T Geplante Abflugszeit des Anschlussfluges
r Faktor zur Berücksichtigung von früheren Abflügen des Anschluss-
fluges
t Tageszeit
Der erste Term der Gleichung (7.6) repräsentiert das Verhältnis der Gesamt-
fläche der Zugehörigkeitsfunktion des Zubringerfluges zu der Fläche, in der
potenziell eine Verspätung auftreten kann. Da der Anschlussflug, dessen
Abflugszeit durch die Fuzzy-Zahl A modelliert wird, auch früher als geplant
starten kann und dadurch einige Transferpassagiere nicht mitgenommen
werden, wird auch die Fläche seiner Zugehörigkeitsfunktion berücksichtigt,
die links von der planmäßigen Abflugszeit liegt. Da man aber annehmen kann,
dass ein Flugzeug nur dann früher als geplant losfliegt, wenn alle Passagiere
am Bord sind, ist diese Fläche irrelevant bzw. zu vernachlässigen. Um jedoch
dem Planer die Flexibilität zu geben, auch die Verteilung der "früher als
planmäßigen" Abflugszeiten in die Herleitung der Verspätungsmöglichkeit
einzubeziehen, wird in die Gleichung (7.6) ein Parameter r eingeführt, über
den man den Einfluss der linken Seite von der Zugehörigkeitsfunktion der
Abflugszeiten der Anschlussflüge steuern kann.
Über den zweiten Term von (7.6) werden die späteren Abflüge der An-
schlussverbindungen berücksichtigt. Damit wird der Tatsache Rechnung
getragen, dass sich die Verspätungsmöglichkeit durch die Reaktion der Air-
lines, die sich z.B. in der Verspätung der Anschlussflüge manifestieren kann,
sowie wegen der bestehenden Abhängigkeiten zwischen den Flügen in den
Flugzeugrotationen reduzieren muss.
Die zur Kalkulation der Verspätungsmöglichkeit benötigten Zugehörigkeits-

funktionen der Zeitenlagen werden basierend auf den historischen Beobach-
tungswerten für die Ausprägungen der Abflugs- und Ankunftszeiten der ein-
zelnen Flüge hergeleitet. Bei einer solchen Vorgehensweise wird die Reakti-
on der Airlines sowie die eventuelle Verspätungpropagation bereits in den Zu-
gehörigkeitsfunktionen enthalten sein. Die im Kapitel 4 angesprochene indu-
zierte Verspätung, die durch die wechselseitigen Abhängigkeiten zwischen
den Flügen hervorgerufen wird, wird auf diese Weise mit modelliert.
Als Datenmaterial zur Herleitung der Zugehörigkeitsfunktionen dienen die

vom US-amerikanischen Bureau of Transportation Statistics publizierten so-
wie von der Deutschen Lufthansa AG zur Verfügung gestellten Verspätungs-
daten, die detaillierte Informationen über die planmäßige und die tatsächliche
Abflugs- und Ankunftszeit der Flüge im Zeitraum von 1999 bis 2004 enthalten.
Auf Basis dieser Daten wurden als Erstes die Wahrscheinlichkeiten für das
Auftreten unterschiedlicher Zeitenlagen für die einzelnen Flüge als das
Verhältnis der Häufigkeiten des Auftretens diverser Abflugs- und Ankunfts-
zeiten zu der Anzahl der entsprechenden ausgeführten Flüge kalkuliert.
Ausgehend von diesen Wahrscheinlichkeiten wurden dann unter Verwendung

des in der Formel (5.13) abgebildeten Verfahrens von Dubois / Prade die
Möglichkeitsgrade für die unterschiedlichen Ausprägungen der Ankunfts- und
Abflugszeiten der relevanten Flüge evaluiert und so die Möglichkeitsfunktio-
nen hergeleitet. Als relevant wurden dabei die Flüge betrachtet, die den zu
optimierenden Hub-Flughafen berühren. Bei der Herleitung der Möglichkeits-
verteilungen wurde außer den Abweichungen zwischen den planmäßigen
und den tatsächlichen Abflugs- und Ankunftszeiten noch auf die Unterschiede
in der Flugzeit geachtet, die im Laufe der Zeit von den Airlines aus diversen
Gründen geändert werden kann. Abbildung 7.14 zeigt beispielhaft den Ver-
lauf der Möglichkeitsfunktion für die von American Airlines im Jahr 2001
ausgeführten Flüge von Chicago nach Atlanta und verbildlicht die sich im
Laufe eines Tages summierenden Verspätungen.
Die Möglichkeitsfunktionen werden unter Verwendung der oben beschriebe-

nen Prozedur für jeden Flug und jede Stunde im Rahmen der Tageszeit be-
rechnet. Darüber hinaus werden Default-Möglichkeitsverteilungen für jede
Stunde für alle Inbound- und Outbound-Flüge kalkuliert. Findet sich für einen
im zu optimierenden Hub-Flugplan vorkommenden Flug keine zu seiner ge-
planten Abflugs- bzw. Ankunftszeit passende, auf historischen Daten basie-
rende Möglichkeitsfunktion, so wird zunächst geprüft, ob sich für diesen Flug
eine solche Funktion für die nachfolgende und die vorangehende Stunde
finden lässt. Ist dies nicht der Fall, wird dem Flug die Default-Möglichkeits-
verteilung für die entsprechende Stunde zugewiesen.
ORD-ATL 6:55-9:54 ORD-ATL 11:20-14:55 ORD-ATL 13:11-16:16 ORD-ATL 16:32-19:29 ORD-ATL 20:34-23:24
Abbildung 7.14: Möglichkeitsverteilungen für die Flüge von American Airlines von Chicago
(ORD) nach Atlanta (ATL) 2001
Da bei der Transformation von Wahrscheinlichkeitswerten in Möglichkeits-

werte Informationen verloren gehen12 und da eine der an das Modell gestell-
ten Anforderungen die Berücksichtigung des subjektiven Wissens der Benut-
zer ist, werden als Nächstes die empirischen Möglichkeitsverteilungen um die
subjektiven Bewertungen der Planer bezüglich der Möglichkeit der Realisati-
on bestimmter Zeitenlagen ergänzt. Dafür wird die im Abschnitt 5.3.3.2 prä-
sentierte Methode der direkten Abfrage angewandt, die im Software-Tool
durch Zur-Verfügung-Stellen von Informationen über die Ausprägungen der
Abflugs- und Ankunftszeiten für jeden der relevanten Flüge unterstützt wird.
Abbildung 7.15 zeigt die grafische Oberfläche des Software-Tools, in der die
Fuzzy-Zugehörigkeitsfunktionen der Zeitenlagen durch die Selektion eines
Fluges und die Veränderung der im oberen rechten Gitterfeld erscheinenden
historischen Möglichkeitswerte spezifiziert werden können.
Fuzzy-Verteilung der
Ankunftszeit des
selektierten Fluges
Selektierter Flug
Abbildung 7.15: Spezifikation der Fuzzy-Zugehörigkeitsfunktionen der Zeitenlagen im

Software-Tool
12
7.5.2.2 Master-Problem
Das Master-Problem des Optimierungsmodells erfüllt drei wesentliche
Funktionen:
1. Generieren der validen Nachbarschaftslösungen
2. Ausführen und Steuern der Optimierungsroutine
3. Aktualisieren des Systems bei Akzeptanz einer Flugplanlösung.
Abbildung 7.16 auf der nächsten Seite zeigt den Ablauf der einzelnen Schritte
im Rahmen der Ausführung des Master-Problems.
Die Flugpläne werden im Modell unter Anwendung der im Kapitel 3 darge-

stellten und ausführlich beschriebenen Tabu-Suche optimiert. Dies ist ein ite-
ratives heuristisches Optimierungsverfahren, das auf Grund seiner wün-
schenswerten Eigenschaften für den Einsatz in dem hier entwickelten Modell
selektiert wurde13. Die Optimierungsiterationen werden abwechselnd für die
Inbound- und die Outbound-Flüge durchgeführt. Ein Iterationsschritt umfasst
die Bewertung aller validen Nachbarschaftslösungen für alle Inbound- bzw.
alle Outbound-Flüge und die Auswahl der besten Lösung aus der Menge der
untersuchten Lösungen. Eine Nachbarschaftslösung entsteht dabei durch die
Repositionierung der Abflugs- und Ankunftszeit für einen einzigen Flug im
Rahmen des für diesen Flug spezifizierten Zeitenlagenfensters. Als valide
gelten nur die Lösungen, welche die zu der Formulierung des Optimierungs-
problems in der Formel (7.1) gehörenden Flotten-, Slot- und Zeitfensterre-
striktionen erfüllen. Zusätzlich wird hier zur Feststellung der Validität die
Tabu-Listen-Restriktion geprüft, die das Vorkommen der generierten Nach-
barschaftslösung in der die verbotenen Züge enthaltenden Tabu-Liste
kontrolliert
Die grundsätzliche Optimierungslogik besteht darin, in jedem Iterationsschritt

die Lösungen zu identifizieren, die mit der größten Verbesserung bzw. mit der
kleinsten Verschlechterung des Zielfunktionswertes assoziiert sind. Diese Lö-
sungen werden dann akzeptiert und es wird ausgehend vom Flugplan, den
man durch Modifikation der zeitlichen Positionen der entsprechenden Flüge
erhält, nach weiteren Zielfunktionsverbesserungen gesucht, bis das definierte
Abbruchskriterium greift. Als Zielfunktion fungiert dabei, wie in der Formel
(7.1) festgelegt, die Differenz zwischen dem Gesamtbetrag der zu erwar-
tenden Passagierumsätze und den gesamten passagierbezogenen Verspä-
tungskosten, die bei der zu untersuchenden Airline anfallen.
13
Ja
Anfang Aktiviere Untersuche Outbound-
Iterationszähler Flüge
Ist die Anzahl der

Iterationen eine
gerade Zahl?
Untersuche Inbound-
Flüge
Nein
Rufe das Sub-Problem

Setze ∆-Profit auf eine der Verbindungs-
Gehe zum ersten Flug
sehr kleine Zahl generierung bei
aktuellen Zeitenlagen auf
Rufe das Bewertungs- Setze die Abflugs- und Berechne ∆-Profit

subproblem auf und Ankunftszeiten des zwischen Profit bei
berechne Gesamtprofit Fluges auf den Anfang aktuellen und neuen
des Flugplans des Zeitfensters Zeitenlagen
Ja
Rufe das Bewertungs-
Nein Sind die
subproblem auf und
Flugzeug- und Slot-
berechne Gesamtprofit Sind alle
Restriktionen
der Flugplanlösung möglichen
erfüllt?
Ist ∆-Profit > als Zeitenlagen
Ja bisheriger bester aus dem Zeitfenster
Ja ∆-Profit? untersucht
worden ?
Rufe das Sub-Problem
der Verbindungs-
Speichere die Nein
generierung bei neuen Nein
Zeitenlagen der
Zeitenlagen auf
aktuellen
Flugplanlösung Wähle die nächste
Zeitenlage aus dem
bisheriger bester Zeitfenster
∆-Profit = aktueller
∆-Profit
Ja Nein
Sind die Zeitfenster-
und Taburestriktion
erfüllt ?
Sind alle
Gehe zum nächsten Nein Inbound- bzw.
Flug Outbound-Flüge
untersucht
Erhöhe Iterationszähler
worden ?
Nein Rufe die Update-Prozedur auf

Ja
Update der Update der
Zeitenlagen der Zeitenlagen der Mehr-
Ist das Setze die aktuellen Zeiten
Codeshare-Flüge Leg-Flüge
Abbruchskriterium der Flüge mit bisher
erfüllt ? Update des Abstands bestem ∆-Profit auf die
zu den nächst- Update der Tabu-Liste gespeicherten Zeitenlagen
möglichen Flügen
E
N Ja Update der Zeitcluster Update der
D (für die Bildung der Berechnung der
E Erzeuge Ausgabefiles Connections) Flugzeugzahl
Abbildung 7.16: Funktionsweise des Master-Problems

Basierend auf dieser Logik werden im Rahmen der Ausführung des Master-
Problems, wie in Abbildung 7.16 skizziert, als Erstes alle Nachbarschaftslö-
sungen mit Hilfe der Sub-Probleme bewertet. Aus den so bewerteten Flugplä-
nen wird dann ein Flugplan ausgewählt, der zur größten positiven bzw.
kleinsten negativen Differenz zum aktuellen Zielfunktionswert führt. Im
nächsten Iterationsschritt wird ausgehend von diesem Flugplan bei den
entgegen gerichteten Flügen 14 nach neuen Vorschlägen für die optimalen
Ankunfts- und Abflugszeiten gesucht.
Abbildung 7.17: Eingabemaske des Software-Tools zur Parametrisierung der Optimie-

rungsroutine
Die Suche wird eingestellt, sobald das Abbruchskriterium erfüllt ist, das vom
Eintreten folgender Bedingungen abhängt:
1. Die vorgegebene Anzahl der Iterationen wurde erreicht. Vor jedem
Optimierungslauf definiert der Benutzer die maximale Anzahl der Iteratio-
14
Entgegen gerichtet bedeutet in diesem Zusammenhang ein Outbound-Flug, wenn der jeweilige Flug ein
Inbound-Flug ist, und umgekehrt.
nen, die bei der Ausführung der Optimierungsroutine durchlaufen werden

dürfen. Die Abbildung 7.17 zeigt eine Parametereingabemaske des Soft-
ware-Tools, über die solche Angaben getätigt werden.
2. Der vorgegebene Mindestwert für die Zielfunktionsverbesserung ist
für eine bestimmte Anzahl von Iterationen unterschritten. Der Modell-
benutzer wird in der Regel nur dann einer Änderung der aktuellen Ab-
flugs- und Ankunftszeiten der Flüge im Flugplan zustimmen, der als Mo-
dellinput fungiert und in den ersten Phasen des Planungsprozesses
voroptimiert wurde, wenn die damit verbundene Zielfunktionsverbesse-
rung nicht kleiner als ein gewisser Mindestbetrag ist. Dies erklärt sich da-
mit, dass die Verschiebung der gewohnten Zeitenlagen Unannehmlichkei-
ten für Passagiere sowie operationelle Probleme verursachen kann.
Deshalb ist es wünschenswert, die Abflugs- und Ankunftszeiten nur dann
neu zu positionieren, wenn dies zu einer signifikanten Verbesserung der
Ertragslage der Fluggesellschaft führt. Findet der Optimierungsalgorith-
mus während einer bestimmten Anzahl von Iterationen keinen Vorschlag
zur Repositionierung der Flüge, der eine den Mindestwert übersteigende
Zielfunktionsverbesserung produziert, so wird die Suche abgebrochen
und die in diesen Iterationen vorgenommenen Änderungen der Zeitenla-
gen zurückgenommen. Die Anzahl der Iterationsschritte, in denen eine
Verschlechterung bzw. nicht signifikante Verbesserung der Ertragssituati-
on der Airline vom Suchalgorithmus zu akzeptieren ist, ist ein vom Benut-
zer zu spezifizierender Parameter, der in der in Abbildung 7.17 dargestell-
ten Eingabemaske des Software-Tools spezifiziert wird.
Zur Beschleunigung des Optimierungsprozesses wird im Master-Problem die

Möglichkeit eingeräumt, in jedem Iterationsschritt mehr als nur einen Vor-
schlag zur Zeitenlagenrepositionierung zu akzeptieren. In jeder Iteration wer-
den die Zielfunktionswerte für alle relevanten Nachbarschaftslösungen be-
rechnet. Daher ist es relativ einfach und auch sehr sinnvoll, nicht nur eine ein-
zige beste Verschiebung der zeitlichen Position für einen einzigen Flug,
sondern auch die nächstbesten Verschiebungen zu selektieren und zu akzep-
tieren, sofern deren Zielfunktionsverbesserungen den vordefinierten Mindest-
wert überschreiten und sie sich nicht auf die gleichen Flüge beziehen. Prinzi-
piell wäre damit sogar die Akzeptanz aller jeweils besten, den beschriebenen
Anforderungen genügenden Repositionierungen zu bzw. von jeder Destinati-
on mit der maximalen Steigerung des Zielfunktionswertes verbunden. Bei
einer solchen Vorgehensweise und unter Verwendung von statischen Tabu-
Listen würde sich allerdings die Kontrolle über den Optimierungsprozess sehr
kompliziert gestalten. Dies resultiert daraus, dass zu Beginn der Optimierung

die Länge der Tabu-Liste nur willkürlich dimensioniert werden kann, da die
Anzahl der Lösungen nicht bekannt ist, die später in den einzelnen Iteratio-
nen akzeptiert werden. Zur Vermeidung der Probleme mit der Steuerbarkeit
des Optimierungsprozesses wird hier eine Maximalzahl der Flüge spezifiziert,
für die im Rahmen eines Iterationsschrittes eine Verschiebung der Zeitenla-
gen vollzogen werden darf.
Um ein effizientes Durchsuchen des Lösungsraumes zu gewährleisten, wird

für die Steuerung der Tabu-Suche im Rahmen des Master-Problems eine In-
tensivierungs- und Diversifikationsstrategie definiert. Das Ziel einer solchen
Strategie ist die Konzentration des Suchprozesses auf die Erfolg verspre-
chenden Bereiche und die Identifikation und die Vermeidung von Bereichen,
in denen sich die optimalen Lösungen offensichtlich nicht befinden können.
Die spezifizierte Strategie bezieht sich auf die Auswahl der Flüge, für die sich
die Änderung der Zeitenlagen lohnen kann, sowie auf die Selektion der zu
einer signifikanten Ergebnisverbesserung führenden Abflugs- und Ankunfts-
zeiten im Rahmen der Zeitenlagenfenster solcher Flüge.
Ausgehend von der im vorherigen Iterationsschritt ermittelten maximalen Ziel-

funktionsverbesserung, die ein Flug durch die Veränderung seiner Zeitenla-
gen stiften kann, werden in der aktuellen Iteration nur bestimmte Flüge unter-
sucht: Es handelt sich um jene, deren Ergebnisverbesserung kleiner als die
durchschnittliche Verbesserung der im vorherigen Iterationsschritt akzeptier-
ten Flüge sowie größer als der mit einem vom Benutzer definierten Faktor
multiplizierte vorgegebene Mindestwert ist. Die Selektion der Flüge mit einer
unterdurchschnittlichen Ergebnissteigerung erklärt sich zum einen durch die
fehlende Notwendigkeit der Überprüfung der Zeitenlagenverschiebungen für
die Flüge, die eine hohe Zielfunktionsverbesserung aufweisen, in der letzten
Iteration akzeptiert wurden und bereits in der Lösung enthalten sind. Zum an-
deren ist damit die Hoffnung verbunden, die zu einer unterdurchschnittlichen
Gewinnerhöhung führenden Flüge künftig besser positionieren zu können.
Der Verzicht auf die Betrachtung der Flüge mit einer maximalen Verbesse-
rung des Zielfunktionswertes, die kleiner als der Mindestwert ist, resultiert aus
der Vermutung, dass diese Flüge bereits optimal positioniert sind und deren
Zeitenlagen nicht verändert werden müssen.
Durch die oben beschriebenen Intensivierungskriterien werden bestimmte

Bereiche des Lösungsraumes vom Aufsuchen und Bewerten ausgeschlossen.
Da jedoch auch in diesen Bereichen potenziell optimale Lösungen liegen kön-
nen, werden mit einer vom Benutzer vorgegebenen Wahrscheinlichkeit auch

die Regionen des Lösungsraumes besucht, für die das Intensivierungskriteri-
um nicht gilt. Dies erhöht die Chance, das globale Optimum zu finden.15
Nach der Entscheidung über die Flüge, für die sich eine Repositionierung der
Abflugs- und Ankunftszeiten lohnen kann, wird im Rahmen der Suchstrategie
als Nächstes festgelegt, wie das Zeitenlagenfenster dieser Flüge durchwan-
dert wird. Als Erstes wird die frühestmögliche Zeit aus dem Zeitfenster einge-
stellt und bewertet. Ist die damit verbundene Zielfunktionsverbesserung klei-
ner als 50% des mit einem vom Benutzer definierten Faktor multiplizierten
Mindestwertes, so wird die nächste Nachbarschaftslösung durch die Ver-
schiebung der eingestellten Abflugs- und Ankunftszeit um 15 Minuten gebil-
det. Ist die Zielfunktionsverbesserung kleiner als der mit einem Faktor skalier-
te Mindestwert, jedoch größer als 50% dieses Wertes, so werden die Zeiten-
lagen in der nächsten zu generierenden Lösung entsprechend um zehn Minu-
ten verändert. Übersteigt die Ergebnisverbesserung den skalierten Mindest-
wert, beträgt der Zeitschritt fünf Minuten. Ähnlich wie bei der Selektion der zu
untersuchenden Flüge werden hier mit einer vorgegebenen Wahrscheinlich-
keit anstatt der 15- bzw. 10-minütigen Sprünge die fünfminütigen Repositio-
nierungen gewählt.
Wie aus Abbildung 7.16 ersichtlich ist, ist die Kontrolle der Restriktionseinhal-
tung in den Prozess des Generierens von Nachbarschaftslösungen integriert.
Zur Bewertung der Gültigkeit der Flottenrestriktion muss die mit jeder Ände-
rung der Zeitenlagen assoziierte Anzahl der für die Ausführung eines Flug-
plans notwendigen Flugzeuge berechnet werden. Da der Aufbau von Flug-
zeugrotationen zeit- und rechenaufwendig ist, wird diese Anzahl im Modell
mit Hilfe der Methode der "parallelen Flüge" kalkuliert. Das Prinzip der Metho-
de besteht in der Bestimmung des Maximums der Flugzeuge für jeden Flug-
zeugtypen, die sich für jedes im Rahmen der Tageszeit verfügbare Fünf-
Minuten-Fenster in der Luft befinden oder auf ihren nächsten Einsatz am
Boden warten. Die Wartezeit am Boden wird dabei durch die für jeden
Flugzeugtyp spezifische Turnaround-Zeit abgebildet. Die Funktionsweise der
Methode wird in Abbildung 7.18 verdeutlicht.
15
Eine ähnliche Vorgehensweise wird in LEIBOLD, K. (2001), S. 141 vorgeschlagen
Flug 1
Flug 2
Flug 3
Flug 4
Flug 5
Flug 6
Tageszeit
2 Flugzeuge 4 Flugzeuge 5 Flugzeuge 3 Flugzeuge
Flugzeit
Turnaround-Zeit
Abbildung 7.18: Methode der "parallelen Flüge"
Im Modell wird vor jedem Vorschlag zur zeitlichen Neupositionierung eines

Fluges geprüft, ob sich dadurch die Anzahl der Flugzeuge des betroffenen
Flugzeugtypen erhöht. Ist dies der Fall, wird der Vorschlag verworfen.
Die für die Kontrolle der Einhaltung der Slot-Restriktionen benötigten Informa-
tionen über die maximale Anzahl der zur Verfügung stehenden Start- und
Lande-Slots werden vor der eigentlichen Optimierung in den dafür vorgese-
henen Oberflächen des Software-Tools einzeln für die Inbound- und Out-
bound-Flüge eingegeben. Die Slot-Restriktionen werden im Modell außer für
die Gewährleistung der operationellen Durchführbarkeit der entwickelten
Flugpläne noch zur Verhinderung der Entstehung einer großen Verkehrswelle
benötigt, die zwar unter Aspekten der Umsatzmaximierung optimal, jedoch
aus der Nutzenperspektive der Passagiere nicht erwünscht ist. Ähnlich wie
bei der Untersuchung der Änderung der Flugzeugzahl wird vom Master-Prob-
lem vor jeder neuen Festlegung der Abflugs- und Ankunftszeiten geprüft, ob
die Anzahl der verfügbaren Slots überschritten wird.
Da bei der Überprüfung der Validität einer Nachbarschaftslösung die Einhal-

tung der Restriktionen nach der Verschiebung der zeitlichen Position eines
einzigen Fluges kontrolliert wird, muss bei der gleichzeitigen Akzeptanz meh-
rerer Zeitenlagenverschiebungen die Gültigkeit der Slot- und Flotten-Restrikti-

onen erneut überprüft werden. Sollte festgestellt werden, dass die neue Lö-
sung, die durch Änderung der Abflugs- und Ankunftszeiten mehrerer Flüge
entstanden ist, die Restriktionen verletzt, werden in dieser Lösung in einem
iterativen Vorgang die Zeitenlagenverschiebungen der Flüge zurückgenom-
men, die im Vergleich zu allen anderen im aktuellen Iterationsschritt akzep-
tierten Flügen die kleinste Zielfunktionsverbesserung aufweisen. Dieser Vor-
gang wird solange ausgeführt, bis die Einhaltung aller Restriktionen garantiert
ist.
Abbildung 7.19: Eingabe der verfügbaren Slots im Software-Tool
Nachdem eine Nachbarschaftslösung von der Optimierungsroutine akzeptiert

wurde, muss das Master-Problem das Gesamtsystem aktualisieren. Dazu
werden, wie in Abbildung 7.16 aufgezeigt, die Zeitenlagen der betroffenen
Codeshare- und Mehr-Leg-Flüge entsprechend angepasst sowie der zeitliche
Abstand zu den nächstmöglichen Flügen für die Flüge neu berechnet, deren
Zeitenlagen verändert wurden. Außerdem wird die neue Lösung in die Tabu-
Liste aufgenommen und die zur schnelleren Bildung der Transferverbindun-
gen verwendeten Tabellen mit den Zeitclustern werden aktualisiert.
Im Laufe des Optimierungsprozesses werden vom Software-Tool, wie in

Abbildung 7.20 dargestellt, die in jedem Iterationsschritt akzeptierten Zeiten-
lagenverschiebungen sowie die Entwicklung des Zielfunktionswertes ange-

zeigt.
Um die Nachvollziehbarkeit der Modellergebnisse zu gewährleisten, erzeugt

das Software-Tool am Ende des Optimierungsprozesses sehr detaillierte
Ausgabefiles. Diese enthalten die Informationen über die Direkt- und Trans-
ferpassagierumsätze sowie die Verspätungskosten und die Anzahl der zu
erwartenden Direkt- und Transferpassagiere für jeden Flug und jede Trans-
ferverbindung. Die Informationen werden jeweils für das Segment der Ge-
schäfts- und Privatreisenden präsentiert und können zur genauen Analyse
der Auswirkungen einzelner Zeitenlagenverschiebungen verwendet werden.
Abbildung 7.20: Grafische Oberfläche des Software-Tools zum Anzeigen des Optimie-
rungsverlaufs
7.3 Empirische Bewertungs- und Optimierungsläufe

Um die Praxistauglichkeit des entwickelten Modells unter Beweis zu stellen,
wird es zur Bewertung und Optimierung reeller Flugpläne eingesetzt. Ziel
eines solchen Einsatzes ist die Erklärung der Sachverhalte der Realwelt mit
dem Modell, die Bewertung der Planungseffizienz der Flugplanentwickler so-

wie die Erarbeitung von konkreten Vorschlägen zur Planungsverbesserung.
Untersucht werden die Flugpläne von American Airlines in Chicago O’Hare

(ORD) und Dallas/Fort Worth (DFW) sowie von der Deutschen Lufthansa in
Frankfurt (FRA) im Zeitraum von Sommer 1999 bis Sommer 2004. Diese
Fluggesellschaften haben die Struktur ihrer Flugpläne im Rahmen der im
Abschnitt 4.2.3.2 beschriebenen strategischen Reaktionsmaßnahmen auf die
Flugverspätungen durch das so genannte De-Peaking teilweise oder komplett
verändert. Mit dem Modell soll nun bewertet werden, wie sich das De-Peak-
ing auf die zu erwartenden Direkt- und Transferpassagiere sowie auf die Pas-
sagierumsätze und Verspätungskosten auswirkte.
Ein weiterer interessanter Punkt, den man mit dem Modell klären kann, ist die
Identifizierung von Transferverbindungen mit dem negativen Deckungsbeitrag.
Dies sind gemäß der Modellformulierung in der Formel (7.1) Verbindungen,
deren Verspätungskosten die Passagierumsätze übersteigen. Solche
Verbindungen entstehen, wenn z.B. hohe Übernachtungskosten anfallen oder
wenn die Wartezeit auf den nächstmöglichen Flug zur Zieldestination sehr
lang ist.
Für die Analysen werden die vom OAG16 publizierten Weltflugpläne verwen-
det. Es wird stets zwischen den Sommer- und Winterflugplänen unterschie-
den, da diese verschiedene Gültigkeitsdauer haben und zum Teil andere
Strukturen und Destinationsportfolios aufweisen können. Solch eine Unter-
scheidung ist außerdem wegen der ungleichen Witterungsbedingungen in
den Sommer- und Wintermonaten sinnvoll, von denen die Flugverspätungen
und somit die Verspätungskosten wesentlich beeinflusst werden können. Die
Sommerflugpläne gelten von April bis einschließlich Oktober des jeweiligen
Jahres. Die Winterflugpläne erstrecken sich vom November bis März.
Die Fuzzy-Zugehörigkeitsfunktionen für die Abflugs- und Ankunftszeiten der

Flüge werden aus den Daten der entsprechenden Flugplanperiode hergeleitet.
Die in den nachfolgenden Abschnitten präsentierten Auswertungen beziehen

sich mit Ausnahme der Gesamtzahl der Flugbewegungen in einer Flugplan-
periode auf einen Verkehrstag. Dies bedeutet, dass alle Umsatz-, Kosten-
und Passagierzahlen für einen repräsentativen Wochentag berechnet wurden.
16
Der Official Airline Guide (OAG) enthält detaillierte Informationen über die Flüge aller Linienfluggesell-
schaften
Zur Optimierung der Abflugs- und Ankunftszeiten wurde für alle Flüge ein
Zeitenlagenfenster von einer Stunde festgelegt, das durch Subtraktion bzw.
Addition von jeweils 30 Minuten zu den planmäßigen Zeitenlagen gebildet
wird.
Da sämtliche Modellergebnisse in bedeutendem Maße von den gesetzten

Parametern abhängen, werden alle für die empirischen Bewertungs- und Op-
timierungsläufe verwendeten Parameter im Anhang ausgewiesen. Auf der
beigefügten CD-ROM befinden sich außerdem Wellenbilder der ursprüngli-
chen und optimierten Flugpläne sowie die konkreten im Rahmen der Optimie-
rung erarbeiteten Verbesserungsvorschläge zur zeitlichen Repositionierung
der einzelnen Flüge.
7.3.1 Bewertung und Optimierung der Flugpläne von American Airlines

in Chicago O'Hare
In Abbildung 7.21 sind die PAX-Erträge der Flugpläne zusammengefasst, die
als Differenz zwischen erwarteten Passagierumsätzen und Verspätungskos-
ten definiert werden. Man erkennt daraus, dass mit dem entwickelten Opti-
mierungsmodell eine signifikante Steigerung des Airline-Ergebnisses um ca.
4-5% erzielt werden kann.
PAX-Ertrag (Passagierumsatz minus Verspä- PAX-Ertrag (Passagierumsatz minus Verspä-

tungskosten) für Sommerflugpläne [Mio. USD] tungskosten) für Winterflugpläne [Mio. USD]
+5,0% +4,2% +4,8% +4,8% +6,0% +4,7% +5,6% +4,5% +3,5% +4,4% +4,1%
25,3 23,6 23,5

24,2 22,8 22,4
24,0 22,5
22,3 21,9
22,5 22,7 22,7 21,5
21,1 21,0
21,5 21,7
20,7
20,3
19,8
19,3
S99 S00 S01 S02 S03 S04 W99/00 W00/01 W01/02 W02/03 W03/04
Ausgangsflugplan Optimierter Flugplan
Abbildung 7.21: Entwicklung des PAX-Ertrags von American Airlines in Chicago (ORD)
1999-2004
Verspätungskosten [Mio. $], Verhältnis der Verspä- Verspätungskosten [Mio. $], Verhältnis der Verspä-
tungskosten zu Transferpassagierumsätzen [%], tungskosten zu Transferpassagierumsätzen [%],
Sommerflugpläne Winterflugpläne
Rolling Hub 1,17 Rolling Hub

1,21 1,21
1,15 1,05 1,05 1, 04

1,12 1,12
0,91 0,98
0,85
1,02
8,4% 7,6%
0,78 0,74
1,01 1,01
7,7% 6,8%
7,6% 0,95 0,70
7,5% 6,4% 6,4%
0,91
0,87 0,90
6,6% 6,5% 5,8%
5,5% 5,2%
5,8% 5,7% 4,5%
5,5% 4,4%
5,2% 4,0%
4,5% 4,9%
S99 S00 S01 S02 S03 S04 W99/00 W00/01 W01/02 W02/03 W03/04

x Verspätungskosten im Ausgangsflugplan
y Verspätungskosten im optimierten Flugplan
Abbildung 7.22: Auswertung der Schätzdaten für die Verspätungskosten und das Verhält-
nis der Verspätungskosten zu Transferpassagierumsätzen im Flugplan von American Air-
lines in Chicago (ORD)
Abbildung 7.22 zeigt die Entwicklung der Schätzwerte für die Höhe und den
Anteil der gesamten Verspätungskosten für die Flüge von American Airlines
in Chicago O'Hare. Aus dieser Abbildung lässt sich leicht erkennen, dass die
Einführung von De-Peaking bzw. von der als "Rolling Hub" bezeichneten
gleichmäßigen Verteilung der Flüge über den Tag zu einer signifikanten Re-
duzierung der gesamten passagierbezogenen Verspätungskosten um ca.
20% führte. Eine sogar noch wichtigere Kennzahl zur Beurteilung der Effekti-
vität des Verspätungskostenmanagements als der Absolutbetrag der monetä-
ren Konsequenzen von Flugverspätungen ist das Verhältnis der Verspätungs-
kosten zu den Transferpassagierumsätzen. Diese Kennzahl zeigt, auf wel-
chen Anteil der durch die Beförderung von Transferpassagieren generierten
Erlöse eine Fluggesellschaft wegen verspätungsbedingter Passagierentschä-
digung verzichten muss. Die Ergebnisse des Modells zeigen deutlich, dass
der Anteil der Verspätungskosten durch das De-Peaking zurückging. Aus der
rechten Grafik der Abbildung 7.22, die die Verspätungskostenentwicklung in
den Winterflugplänen präsentiert, erkennt man auch, dass diese Kennzahl
bereits ein Jahr vor der eigentlichen Einführung von Rolling Hub gesunken ist.
Dies erklärt sich im Wesentlichen durch einen starken Rückgang der gesam-
ten Flugbewegungen am Flughafen sowie der Flugbewegungen von Ameri-
can Airlines17. Dieser Rückgang war durch die Terroranschläge auf das World
Trade Center in New York sowie durch die allgemeine Verschlechterung der
Wirtschaftslage hervorgerufen und bedingte durch die Entspannung der
Überlastungssituation am Flughafen eine Verbesserung der Verspätungssta-
tistiken. Abbildung 7.23 zeigt die Entwicklung der Flugbewegungen in
Chicago O'Hare.
Anzahl der Flugbewegungen in ORD, Anzahl der Flugbewegungen in ORD,

1.042 1.107 1.022 1.094

1.002 994 1043 979 994 988
926
589.000
404.000
373.000 376.000
557.000 368.000
542.000 543.000 355.000
539.000
533.000
+1,2% +0,5% +2,7% -2,5% +8,4% +1,5% -4,9% +6,0% +7,4%
S99 S00 S01 S02 S03 S04 W99/00 W00/01 W01/02 W02/03 W03/04
Gesamte Flugbewegungen am Flughafen während der Flugplanperiode

Flugbewegungen von American Airlines an einem Tag
Abbildung 7.23: Anzahl der Flugbewegungen in Chicago O'Hare (Quelle: Chicago Airport
Authority, OAG-Flugpläne, eigene Berechnungen)
Den Effekt der Reduzierung der Flugfrequenzen und die damit einhergehen-
de primär durch externe Einflüsse hervorgerufene Verbesserung des Über-
lastungsproblems könnte man aus dem Winterflugplan 2001/2002 heraus-
rechnen, indem man die entsprechenden Verspätungskosten unter Verwen-
dung der aus dem Winterflugplan 2000/2001 hergeleiteten Zugehörigkeits-
funktionen kalkuliert. Dabei ergibt sich ein Absolutbetrag der Verspätungskos-
ten von 1,35 Mio. USD pro Tag sowie ein Verhältnis Verspätungskosten zu
Transferpassagierumsätzen von 7,9%. Dies ist ein deutlich schlechteres Er-
gebnis als nach der Einführung von Rolling Hub.
Ein starkes Ansteigen der Verspätungskosten im Winterflugplan 2003/2004

kann ähnlich wie oben mit dem rapiden Wachstum der Flugbewegungen und
des damit verbundenen Passagieraufkommens begründet werden.
17
Als Flugbewegung wird ein Start- oder Landeereignis bezeichnet
American Airlines, ORD, Sommer 2001 American Airlines, ORD, Sommer 2002
Abfliegende Abfliegende
Flüge Flüge
Tages- Tages-
zeit zeit
Ankommende Ankommende
Flüge Flüge
Abbildung 7.24: Flugplanstruktur von American Airlines in Chicago O'Hare (ORD) in den
Sommern 2001 und 2002 (Quelle: OAG-Flugpläne, eigene Berechnungen)
Einige Ursachen für den Rückgang der Verspätungen, der mit der Einführung
von Rolling Hub einherging, können mit Hilfe der in Abbildung 7.25 dargestell-
ten Statistiken erläutert werden. Dort wird die Anzahl der Transferverbindun-
gen von American Airlines in den Sommerflugplänen 2001 und 2002 gezeigt,
die am Flughafen Chicago O'Hare für alle möglichen Transferzeiten im Rah-
men des definierten Hit-Fensters aufgebaut werden. Man erkennt daraus,
dass im Sommerflugplan 2001 mit seinen ausgeprägten Wellenstrukturen
(siehe Abbildung 7.24), relativ viele Transferverbindungen mit einer sehr kur-
zen Transferzeit von 50 bis ca. 75 Minuten enthalten waren. Diese aus Markt-
sicht attraktiven Verbindungen führten jedoch beim Eintreten der Irregularitä-
ten im Flugbetrieb zu passagierbezogenen Verspätungskosten, da die Trans-
ferpassagiere das zweite Segment ihrer Reiseverbindung oft nicht erreichen
konnten. Mit der Einführung von Rolling Hub im Sommer 2002 reduzierte sich
die Anzahl der schnellen Transferverbindungen, wobei die Anzahl der etwas
langsameren und weniger verspätungskostenanfälligen, aber dennoch wett-
bewerbsfähigen Verbindungen mit einer Transferzeit von 75 bis 150 Minuten
im Vergleich zum Sommerflugplan 2001 deutlich zunahm.
In Abbildung 7.25 sind ausgeprägte Verlaufsmuster der Anzahl der Transfer-

verbindungen zu erkennen, die eine sinuskurvenähnliche Gestalt aufweisen.
Im Sommerflugplan 2001 sind die Phasen dieser Sinuskurve relativ kurz, was
auf die Ballung der Passagierströme in engen und nah aufeinander positio-
nierten Verkehrswellen hindeutet. Trotz der weitgehend gleichmäßigen Ver-
teilung der Flüge über den Tag im Rolling-Hub-Flugplan finden sich jedoch
auch hier, wie Abbildung 7.25 zeigt, "versteckte" Wellenstrukturen18, die zur
Maximierung der Anzahl der Transferverbindungen führen. Diese Wellen der
Transferverbindungsanzahl haben jedoch deutlich längere Phasen als im
Sommerflugplan 2001, was auf die Konstruktion von längeren und somit
weniger verspätungsanfälligen Verbindungen hindeutet.
Anzahl der
Transferverbindungen
1.200
1.000
800
600
400
200
0
0:50 1:15 1:40 2:05 2:30 2:55 3:20 3:45 4:10 4:35 5:00
Transferzeit
Sommerflugplan 2001 (ohne De-Peaking)

Sommerflugplan 2002 (mit De-Peaking)
Abbildung 7.25: Anzahl der Transferverbindungen von American Airlines in den Sommer-
flugplänen 2001 und 2002, die über Chicago O'Hare verlaufen, und ihre Transferzeit
(Quelle: OAG-Flugpläne, eigene Berechnungen)
Dank der oben gezeigten ausgeprägten Wellenstruktur im Verlauf der Anzahl

der Transferverbindungen in Rolling-Hub-Flugplänen konnten die Transfer-
passagierumsätze von American-Airlines-Flügen, die über Chicago O'Hare
verlaufen, nach dem De-Peaking beibehalten oder sogar gesteigert werden.
Die Abbildungen 7.26 und 7.27 stellen die Entwicklung der Transferpassa-
gierumsätze sowie der Konnektivität der Flugpläne dar. Die Konnektivität, die
als Verhältnis der Anzahl der Hits zu der Anzahl der Inbound-Flüge berechnet
wird, zeigt, wie viele mögliche Transferverbindungen ein Passagier im Schnitt
18
"Versteckte" Wellenstrukturen, da diese aus dem Flugplanprofil nicht ersichtlich sind und nur über die
Anzahl der Transferverbindungen pro Transferzeiteinheit erkannt werden können
antreten kann, der mit einem Flug am jeweiligen Hub-Flughafen ankommt.

Man erkennt aus den Abbildungen 7.26 und 7.27, dass die Transferpassa-
gierumsätze durch die Implementierung von Rolling Hub nicht unter das Ni-
veau von Flugplänen mit einer ausgeprägten Wellenstruktur gefallen sind. Die
Geschätzte Transferpassagierumsätze für Verhältnis der Anzahl von Hits zu der Anzahl
Sommerflugpläne [Mio. USD] der Inbounds
Rolling Hub Rolling Hub
19,4 71
18,7
18,4 70
17,5 67
17,1 17,5 66
16,6 64
16,2
15,3 15,4
14,4 61
14,6
S99 S00 S01 S02 S03 S04 S99 S00 S01 S02 S03 S04
Abbildung 7.26: Entwicklung der Transferpassagierumsätze und der Konnektivität in den

Sommerflugplänen von American Airlines in Chicago O'Hare (ORD)
Winterflugpläne [Mio. USD] der Inbounds
68
17,8 17,6
17,1
17,1 64 65
16,5 16,7
16,3
16,3
15,5
15,5
60
60
W99/00 W00/01 W01/02 W02/03 W03/04 W99/00 W00/01 W01/02 W02/03 W03/04

Winterflugplänen von American Airlines in Chicago O'Hare (ORD)
Konnektivität sank zwar, blieb jedoch relativ hoch. Die Steigerung der Trans-
ferpassagierumsätze, die mit einer Reduktion der Konnektivität verbunden ist,
zeugt von der Fokussierung der Planung auf die Märkte mit einem höheren
Passagieraufkommen.
Mit Ausnahme des Winterflugplans 2003/2004 lässt sich, wie Abbildung 7.28
zeigt, nach der Einführung von Rolling Hub ein Rückgang der Anzahl der
Verbindungen mit negativem Deckungsbeitrag feststellen.
Summe der negativen Deckungsbeiträge im Summe der negativen Deckungsbeiträge im

Ausgangsflugplan, Sommerflugpläne [Tsd. $] Ausgangsflugplan, Winterflugpläne [Tsd. $]
-100,9 -60,5
-54,0
-46,7
-71,5
-54,3
-51,3
-45,5
-34,2
-15,5
-11,9
S99 S00 S01 S02 S03 S04 W99/00 W00/01 W01/02 W02/03 W03/04
Abbildung 7.28: Transferverbindungen mit negativem Deckungsbeitrag
7.3.2 Bewertung und Optimierung der Flugpläne von American Airlines

in Dallas/Fort Worth
Abbildung 7.29 demonstriert die Entwicklung des als Differenz zwischen
erwarteten Passagierumsätzen und passagierbezogenen Verspätungskosten
definierten PAX-Ertrags im Flugplan von American Airlines in Dallas. Es zeigt
sich, dass der Betrag dieser Kennzahl in den letzten Jahren zwischen 31 Mio.
und 32 Mio. USD pro Tag lag und von Flugplan zu Flugplan nur wenig
schwankte. Durch den Einsatz des entwickelten Optimierungsmodells lässt
sich eine Verbesserung des PAX-Ertrags in der Größenordnung von 3-4%
herbeiführen.

tungskosten) für Sommerflugpläne [Mio. $] tungskosten) für Winterflugpläne [Mio. $]
+5,6% +5,2% +5,2% +3,8% +4,1% +3,4% +6,7% +4,8% +4,5% +3,3% +3,6%
34,2 33,9 33,7

33,3 32,8 33,7
32,8 32,6
32,1 31,9
32,1
32,5
31,1 31,5 32,5 32,6 32,6
31,0 30,9 32,1
30,5
31,1
S99 S00 S01 S02 S03 S04 W99/00 W00/01 W01/02 W02/03 W03/04
Abbildung 7.29: Entwicklung des PAX-Ertrags von American Airlines in DFW 1999-2004
Wie in Chicago führte die Umstrukturierung der Wellen-Flugpläne zu Rolling

Hub auch in Dallas zu einem deutlichen Rückgang sowohl des Absolutbetra-
ges der Verspätungskosten als auch des Verhältnisses zwischen den Ver-
spätungskosten und den Transferpassagierumsätzen (siehe Abbildung 7.30).
Verspätungskosten [Mio. $], Verhältnis der Verspä- Verspätungskosten [Mio. $], Verhältnis der Verspä-
3,30
3,00
2,99 2,54
2,47
2,43 2,85 2,11
2,69
12,3% 2,13
11,3% 1,76
11,4% 2,03 2,01 1,51
10,8% 1,97 1,56
1,83 9,1% 9,1%
9,8%
1,28 1,27
8,8% 1,46 1,43 7,7%
7,9% 1,08
7,5% 7,2% 7,5% 6,2%
7,2%
5,8%
5,3%
4,8%
5,4% 5,5% 3,9% 4,6%
S99 S00 S01 S02 S03 S04 W99/00 W00/01 W01/02 W02/03 W03/04

nis der Verspätungskosten zu Transferpassagierumsätzen im Flugplan von American Air-
lines in Dallas/Fort Worth (DFW)
Die Einführung von Rolling Hub war allerdings, wie aus Abbildung 7.31 her-
vorgeht, mit einer Reduktion der Anzahl der Flüge von American Airlines
verbunden, so dass sich hier der vom De-Peaking ausgehende Effekt nicht
eindeutig isolieren lässt. Es ist jedoch festzustellen, dass die Verspätungs-
kosten und ihr Anteil an den Transferpassagierumsätzen in den Flugplänen
Winter 2001/02 und Sommer 2002 – mit ihrer Wellenstruktur und einer
ähnlichen Anzahl von Flugfrequenzen wie die nachfolgenden Rolling-Hub-
Flugpläne – deutlich höhere Werte hatten als in den Rolling-Hub-Flugplänen.
Im Winterflugplan 2003/04 stiegen die Verspätungskosten wieder leicht an,
was vermutlich am starken Wachstum der gesamten Flugbewegungen am
Flughafen lag.
Anzahl der Flugbewegungen in DFW, Anzahl der Flugbewegungen in DFW,

1.554 1.559 1.513 1.564 1.524

1.407
1.372 1.303 1.422
1.288 1338
501.000
497.000 339.000
336.000
330.000
476.000
460.000 458.000 310.000
449.000 300.000
-0,9% -7,3% -0,6% -1,9% +6,0% +0,8% -11,5% +3,2% +6,7%
S99 S00 S01 S02 S03 S04 W99/00 W00/01 W01/02 W02/03 W03/04

Flugbewegungen von American Airlines an einem Tag
Abbildung 7.31: Anzahl der Flugbewegungen in Dallas/Fort Worth (Quelle: Dallas Airport
Authority, OAG-Flugpläne, eigene Berechnungen)
Aus den Abbildungen 7.32 und 7.33 erkennt man jedoch, dass American
Airlines durch Einführung von Rolling Hub in Dallas signifikante Einbußen in
ihren Transferpassagierumsätzen hinnehmen musste und sich die Konnekti-
vität ihrer Flugpläne erheblich verschlechterte. Diese negativen Effekte resul-
tierten einerseits aus der Reduktion der Flugfrequenzen und andererseits aus
dem in Abbildung 7.34 am Beispiel der Sommerflugpläne 2002 und 2003 dar-
gestellten Verzicht auf ein wellenförmiges Verlaufsmuster der Transferverbin-
dungsanzahl in Rolling-Hub-Flugplänen. Ein nahezu horizontaler Verlauf der
Funktion der Anzahl der Transferverbindungen pro Transferzeit in Abbildung
7.34 deutet auf ein fast vollständiges Fehlen geplanter zeitnaher Zusammen-
führungen der ankommenden und ausgehenden Passagierströme im Rolling-
Hub-Flugplan hin, die zur Maximierung der Transferpassagierumsätze führen

sollen.
Sommerflugpläne [Mio. $] der Inbounds

28,0 115
27,6 111
27,5 108
27,2 106
26,7 26,9 27,0
26,2 26,4 26,2 26,1

99
25,5
93
S99 S00 S01 S02 S03 S04 S99 S00 S01 S02 S03 S04

Sommerflugplänen von American Airlines in Dallas/Fort Worth (DFW)
Winterflugpläne [Mio. $] der Inbounds
Rolling Hub 117

Rolling Hub
28,5 115
28,2
27,9
27,6
27,1 27,3 27,4
26,8 101 99
26,7 26,5
94
W99/00 W00/01 W01/02 W02/03 W03/04 W99/00 W00/01 W01/02 W02/03 W03/04

Winterflugplänen von American Airlines in Dallas/Fort Worth (DFW)
Anzahl der
Transferverbindungen
3.500
3.000
2.500
2.000
1.500
1.000
500
0
0:50 1:15 1:40 2:05 2:30 2:55 3:20 3:45 4:10 4:35 5:00
Transferzeit
Sommerflugplan 2002 (ohne De-Peaking)

Sommerflugplan 2003 (mit De-Peaking)
Abbildung 7.34: Anzahl der Transferverbindungen von American Airlines in den Sommer-
flugplänen 2002 und 2003, die über Dallas/Fort Wort (DFW) verlaufen und ihre Transfer-
zeit (Quelle: OAG-Flugpläne, eigene Berechnungen)
Abbildung 7.35 zeigt, dass in den zu Rolling Hubs umstrukturierten Flugplä-

nen der Betrag des erwarteten negativen Deckungsbeitrags der Transferver-
bindungen mit Ausnahme des Winterflugplans 2003/04 zurückging.
Ausgangsflugplan, Sommerflugpläne [Tsd. $] Ausgangsflugplan, Winterflugpläne [Tsd. $]

-246,1
-141,9
-80,3
-167,2 -76,6
-71,2
-152,5 -146,7
-133,4
-122,0
-15,6
S99 S00 S01 S02 S03 S04 W99/00 W00/01 W01/02 W02/03 W03/04

7.3.3 Bewertung und Optimierung der Flugpläne von Lufthansa in

Frankfurt
Wie aus Abbildung 7.36 ersichtlich ist, hat Lufthansa in Frankfurt im Verlauf
der letzten Jahre ihren PAX-Ertrag mit Ausnahme des Sommerflugplans 2001
kontinuierlich gesteigert. Es lässt sich jedoch zeigen, dass durch den Mo-
delleinsatz eine zusätzliche Verbesserung des PAX-Ertrags um ca. 4-4,5%
erzielt werden kann.

tungskosten) für Sommerflugpläne [Mio. €] tungskosten) für Winterflugpläne [Mio. €]
+6,7% +4,3% +4,8% +4,7% +4,6% +4,0% +6,0% +4,3% +4,6% +4,5% +4,8%
26,2
26,3 25,6 25,8
26,2 26,1
25,1
25,3 25,3 24,7 24,5 24,6
24,9 25,0
24,9
23,6
24,3 24,1 23,2
23,3
23,0 21,9
S99 S00 S01 S02 S03 S04 W99/00 W00/01 W01/02 W02/03 W03/04
Abbildung 7.36: Entwicklung des PAX-Ertrags von Lufthansa in Frankfurt 1999-2004
Vergleicht man die in der nachfolgenden Abbildung 7.37 präsentierten Ver-

spätungsstatistiken für Lufthansa in Frankfurt mit den in den vorherigen Ab-
schnitten dargestellten Zahlen von American Airlines, erkennt man Folgendes:
Das Verhältnis der Verspätungskosten zu Transferpassagierumsätzen, das
die Effektivität der Verspätungskostenmanagements reflektiert, fällt bei Luft-
hansa im Allgemeinen günstiger aus. Dieses Verhältnis, das für die Sommer-
flugpläne in der Regel niedriger als für die Winterflugpläne war, hatte außer-
dem, mit Ausnahme des Sommerflugplans 2004, eine fallende bzw. nicht
steigende Tendenz und wies im Jahr 1999 seinen Höchstwert auf.
Verspätungskosten [Mio. €], Verhältnis der Verspä- Verspätungskosten [Mio. €], Verhältnis der Verspä-
2,19
1,66
1,35
11,4% 1,34
1,28 1,31
0,96 1,21
1,14
1,14
0,84 0,81 9,2% 0,99 0,99
0,70 0,72 0,72 0,89
6,8% 0,67
0,59 6,3%
0,57 6,0% 6,4% 6,4% 6,4%
0,50 4,6%
4,4% 5,2%
4,0% 4,8%
3,5% 3,3% 3,6% 3,8% 4,5% 4,6%
3,0%
2,4% 2,8%
S99 S00 S01 S02 S03 S04 W99/00 W00/01 W01/02 W02/03 W03/04

nis der Verspätungskosten zu Transferpassagierumsätzen im Flugplan von Lufthansa in
Frankfurt (FRA)
Der starke Rückgang der Verspätungskosten im Jahr 2000 im Vergleich zum

Jahr 1999 ist auf eine umfassende Prozess- und Organisationsneuausrich-
tung im Rahmen des Lufthansa-internen Aktionsprogramms zur Beseitigung
der Verspätungsproblematik zurückzuführen. Eine Verschlechterung der Ver-
spätungskostensituation im Sommer 2004 – trotz des im entsprechenden
Flugplan vorgenommenen De-Peaking für einen Teil der Flüge – kann durch
das in Abbildung 7.38 dargestellte starke Wachstum der Flugbewegungen er-
klärt werden. Eine andere Erklärung für den Anstieg der Anzahl der Verspä-
tungen und der Verspätungskosten im Sommerflugplan 2004 ist die in diesem
Flugplan erfolgte und in Abbildung 7.39 dokumentierte Reduktion der Flugzei-
ten19 der Lufthansa-Flüge.
19
Unter der Flugzeit ist die Summe der Zeit in der Luft und am Boden zu verstehen. Diese Zeit wird in der
Luftfahrtindustrie als Blockzeit bezeichnet
Anzahl der Flugbewegungen in FRA, Anzahl der Flugbewegungen in FRA,

850 848 901 833 886 870

820 849 818
760 779
288.000
278.000 186.000
277.000 185.000
277.000 274.000 183.000
178.000 177.000
259.000
+7,0% -0,3% +0,4% -1,4% +5,3% +2,7% -3,0% +4,7% -0,2%
S99 S00 S01 S02 S03 S04 W99/00 W00/01 W01/02 W02/03 W03/04

Flugbewegungen von Lufthansa an einem Tag
Abbildung 7.38: Anzahl der Flugbewegungen in Frankfurt, Quelle: Fraport, OAG-Flugpläne,

eigene Berechnungen
Inbound-Flüge Outbound-Flüge
-45 min 1 -30 min 3
-35 min 1 -25 min 1

-30 min 1
-15 min 1
-20 min 1
-10 min 1
-15 min 2
-5 min 23
-10 min 39
̈́ 0 min 82
-5 min 55
+5 min 5
̈́ 0 min 16
1 +10 min 1
+5 min
+10 min 3 +15 min 3
+15 min 1 +20 min 1
Durchschnittliche Reduzierung um 6:24 Minuten Durchschnittliche Reduzierung um 1:18 Minuten
Abbildung 7.39: Vergleich der Flugzeiten der Lufthansa-Flüge in den Flugplänen 2003 und
2004 auf den Strecken, die in beiden Flugplänen geflogen wurden (Quelle: OAG-Weltflug-
pläne, eigene Berechnungen)
Abbildung 7.40 zeigt, dass die Sommerflugpläne von der Lufthansa in der
Regel weniger Verbindungen enthalten, in denen die Verspätungskosten die
Transferpassagierumsätze übersteigen.

Ausgangsflugplan, Sommerflugpläne [Tsd. €] Ausgangsflugplan, Winterflugpläne [Tsd. €]
-131,9
-148,0
-93,0
-61,6
-51,0 -77,5
-70,5
-37,3
-32,5
-55,8
-24,5
S99 S00 S01 S02 S03 S04 W99/00 W00/01 W01/02 W02/03 W03/04
Aus den nachfolgenden Abbildungen 7.41 und 7.42, die die Dynamik der
Transferpassagierumsätze und der Flugplankonnektivität darstellen, lässt
sich, mit Ausnahme des Sommerflugplans 2001, ein positiver Trend in der
Entwicklung der Transferpassagiererlöse ableiten. Außerdem zeigt sich im
Sommerflugplan 2004 eine Verbesserung der Konnektivität, trotz des erfolg-
ten De-Peaking.
Sommerflugpläne [Mio. €] der Inbounds
86
21,7
21,1 21,2
20,8
78
20,1 20,3
20,0 20,0 77
76 76
19,2 19,1
19,1
18,2
64
S99 S00 S01 S02 S03 S04 S99 S00 S01 S02 S03 S04

Sommerflugplänen von Lufthansa in Frankfurt
Winterflugpläne [Mio. €] der Inbounds
81
21,8
21,5
20,9 78
20,9
20,6
19,9
20,1 75
18,8 19,2
73
18,1
69
W99/00 W00/01 W01/02 W02/03 W03/04 W99/00 W00/01 W01/02 W02/03 W03/04

Winterflugplänen von Lufthansa in Frankfurt
7.3.4 Zusammenfassung der empirischen Ergebnisse

Die empirischen Läufe zeigen, dass der Einsatz des in dieser Arbeit entwi-
ckelten Flugplanoptimierungsmodells den PAX-Ertrag – also die Differenz
zwischen Passagierumsätzen und Verspätungskosten – um 4-5% steigern
kann. Angesichts der für die Airline-Industrie üblichen durchschnittlichen Um-
satzrenditen von ca. 2-3%20 bedeutet dies eine signifikante Rentabilitätsver-
besserung. Das Modell sorgt sowohl für die Erhöhung der erwarteten Passa-
gierumsätze als auch für die Instrumentalisierung und Minimierung der Ver-
spätungskosten.
Ausgehend von den gesetzten Parametern und den verwendeten Informatio-

nen bezüglich Durchschnittserträgen und Marktvolumen konnten die Verspä-
tungskosten durch den Modelleinsatz erheblich reduziert werden: pro Tag um
bis zu
• 900.000 USD für die Wellenflugpläne von American Airlines
• 400.000 USD für die Rolling-Hub-Flugpläne von American Airlines
• 300.000 EUR für die Flugpläne der Lufthansa in Frankfurt.
20
Die Entwicklung der Umsatzrenditen der Airline-Industrie findet sich im Anhang
Im Schnitt sanken die gesamten Verspätungskosten nach der Durchführung

von Optimierungsläufen um ca. 10-20%. Das Verhältnis der Verspätungskos-
ten zu Transferpassagierumsätzen konnte um ca. 1-2% verbessert werden.
Trotz der oft hohen Anzahl an Iterationsschritten, die zum Erreichen einer op-
timalen Flugplanlösung notwendig waren, konnte die in den ersten Phasen
des Planungsprozesses festgelegte Struktur der Flugpläne in allen Fällen
weitgehend aufrechterhalten werden. Diese Anforderung an das Modell ist
somit erfüllt. Die nachfolgende Abbildung zeigt am Beispiel des Winterflug-
plans 2000 von American Airlines in Chicago eine ursprüngliche und eine op-
timierte Flugplanstruktur. Die dunklen Punkte markieren dabei die neuen zeit-
lichen Positionen der Flüge.
Ausgangsflugplan
Optimierter Flugplan
Abbildung 7.43: Flugplanstruktur von American Airlines in Chicago im Winter 2000 vor und
nach der Optimierung
Die Bewertungsläufe zeigten, dass die von American Airlines in Chicago und
Dallas vorgenommene Einführung von Rolling Hubs zu einer deutlichen Ver-
besserung der Verspätungskostensituation führte. Die Transferpassagier-
umsätze in den entsprechenden Rolling-Hub-Flugplänen konnten allerdings

nur dann gehalten oder gesteigert werden, wenn die ankommenden und
ausgehenden Passagierströme systematisch zusammengeführt wurden.
Das De-Peaking von Lufthansa konnte zwar den Absolutbetrag der Verspä-
tungskosten nicht deutlich reduzieren, es sorgte jedoch für die Beschränkung
der Anzahl und der Auswirkungen der Flugverspätungen. Diese wären an-
sonsten erheblich höher gewesen angesichts eines starken Wachstums der
Flugbewegungen am Flughafen und der Verkürzung der Flugzeiten, welche
die Einhaltung der planmäßigen Zeitenlagen generell unterminiert.
Der Verlauf der vom Modell kalkulierten Verspätungskosten entspricht den

Erwartungen und den in der Realität beobachteten Sachverhalten: So steigen
die Verspätungskosten bei der Erhöhung der Flughafenauslastung und sie
sinken, wenn man Maßnahmen zur gleichmäßigen Ressourcennutzung und
zur Verbesserung der Verspätungssituation ergreift.
Das Modell ist darüber hinaus in der Lage, diejenigen Ineffizienzen eines
Flugplans zu identifizieren und zu beseitigen, die sich als Transferverbindun-
gen mit negativem Deckungsbeitrag äußern.
219
Kapitel 8: Möglichkeiten des Modelleinsatzes in anderen

Industrien
8.1 Einführung
Das im vorherigen Kapitel präsentierte Modell ermöglicht es, die mit den irre-
gulären Flugereignissen verbundenen Verspätungskosten abzubilden und bei
der Optimierung der Zeitenlagen der Flüge zu berücksichtigen. Es versetzt
die Flugplanentwickler somit in die Lage, Flugpläne in Bezug auf die hohen
negativen Folgen des unzuverlässigen Flugservices zu optimieren und stellt
deshalb ein leistungsfähiges Werkzeug zur Steigerung des operativen Airline-
Gewinns dar. Die am Ende von Kapitel 7 dargestellten empirischen Ergebnis-
se zeigten zudem ein signifikantes Verbesserungspotenzial auf, das durch
den Modelleinsatz in der Luftfahrtindustrie realisiert werden kann. Es stellt
sich die Frage, ob und wie das entwickelte Optimierungsmodell auf andere
Branchen zu übertragen ist, um auch dort Ergebnisverbesserungen herbeizu-
führen.
Das vorliegende Kapitel beschäftigt sich mit Möglichkeiten und Grenzen der
Übertragung des Modells auf andere Industrien oder betriebliche Wertschöp-
fungskonzepte. Als potenzielle und am besten geeignete Einsatzbereiche
wurden dazu das Transportwesen und das Supply Chain Management iden-
tifiziert. Es wird hier untersucht, in welchen Aufgaben das Modell die operati-
ven Planungsprozesse unterstützen kann bzw. inwiefern die aktuelle Modell-
struktur angepasst werden muss, damit die Anforderungen der jeweiligen In-
dustrien am besten erfüllt sowie die dortigen Gegebenheiten möglichst reali-
tätsnah abgebildet werden. In Abbildung 8.1 sind die möglichen, beim Modell-
einsatz in den oben aufgezeichneten Bereichen relevanten Aufgaben, Ziel-
funktionen und Rahmenbedingen zusammengefasst.
Wie im Abschnitt 7.2.2 dargestellt, ist das entwickelte Flugplanoptimierungs-

modell hierarchisch und modular aufgebaut. Es besteht aus einem Master-
Problem und zwei untergeordneten Sub-Problemen, die im Laufe der Ausfüh-
rung eines iterativen Suchalgorithmus zum Generieren und Bewerten der aus
einer Nachbarschaftslösung resultierenden Flugverbindungen aufgerufen
werden. In den nachfolgenden Abschnitten des vorliegenden Kapitels wird
analysiert, wie sich die Übertragung und Anpassung des Modells auf andere
Branchen und Unternehmenskonzepte auf das Master-Problem und die bei-
den Sub-Probleme auswirkt.
220 Kapitel 8 Möglichkeiten des Modelleinsatzes in anderen Industrien
Modelleinsatz im Transportwesen Modelleinsatz im Supply Chain

Management und in der Logistik
• Optimierung der Anfangs- und Endzeiten • Optimierung der Start- und Endzeiten
Aufgaben der Transportdienste der Beschaffungs-, Produktions- und
Vertriebsprozesse
Mögliche • Minimierung der Verspätungskosten • Minimierung der Verspätungskosten

• Minimierung der Verspätungsmöglichkeit • Minimierung der Verspätungsmöglichkeit
Ziel- • Minimierung der Differenz zwischen den
funktionen Passagier- (oder Güter-)umsätzen und
den Verspätungskosten
Rahmen- • Vorhandensein nationaler und • Verlinkung und enge zeitliche

bedin- internationaler Passagier- und Abstimmung der einzelnen Prozesse
Güterdrehscheiben und Prozessbausteine
gungen
• Optimierung der Transferpassagier- (und • Wechselseitige komplexe Prozess-
Güter-)ströme interdependenzen
• Wichtigkeit von Pünktlichkeit und • Wichtigkeit der Prozessstabilität und
Zuverlässigkeit des Transportservices -zuverlässigkeit
Beispiel- • Optimierung der Bahn-, Bus- und • Auftragsplanung

Schifffahrtspläne • Liefer- und Einkaufsplanung
anwen-
• Optimierung der Cargo- und Post- • Maschinenbelegungsplanung
dungen Schedules • Personal- und Ressourceneinsatzplanung
Abbildung 8.1 Modelleinsatz im Transportwesen und im Supply Chain Management
8.2 Modelleinsatz im Transportwesen

Viele der in der Luftfahrtindustrie beobachteten Sachverhalte gelten auch für
das allgemeine Transportwesen. So werden ähnlich den Hub-Flughäfen, die
von den Airlines zur Zusammenführung und Umverteilung von Passagier-
strömen aufgebaut werden, von Bahn-, Bus-, und Cargogesellschaften große
nationale und internationale Drehscheiben errichtet, über die der Passagier-
und Güterverkehr abgewickelt wird. Analog zur Optimierung von Flugnetzwer-
ken durch die Koordination von In- und Outbound-Flügen bzw. durch Ermögli-
chung der Bedienung einer maximalen Anzahl von O&D-Märkten werden
Bahn- und Busfahrpläne durch die zeitliche Abstimmung der Ausführung ein-
zelner Transportdienste optimiert. Darüber hinaus gehören sowohl im allge-
meinen Transportwesen als auch in der Luftfahrtindustrie Servicepünktlichkeit
und -zuverlässigkeit zu den grundlegenden Kundenanforderungen und wichti-
gen Wettbewerbsvorteilen, die die Unternehmensrentabilität und Wettbe-
werbsfähigkeit im bedeutenden Maße beeinflussen.
Übertragen auf das Transportwesen könnte das entwickelte Modell zur opti-
malen Festlegung der Abfahrts- und Ankunftszeiten von Transportsdiensten1
1
z.B. Züge, Busse oder Schiffe
Kapitel 8 Möglichkeiten des Modelleinsatzes in anderen Industrien 221
eingesetzt werden. Als Zielfunktion kann dabei, ähnlich wie in der Luftfahrtin-
dustrie, die Differenz zwischen Passagier-(oder Cargo-)umsätzen und Ver-
spätungskosten fungieren. Die Minimierung der Verspätungskosten oder der
aggregierten Verspätungsmöglichkeit könnte auch als alternative Modellziel-
setzung gewählt werden.
Der Modelleinsatz im Transportwesen erfordert eine Adjustierung des Re-

striktionssystems sowie eine Anpassung des Master-Problems und der Sub-
probleme an die speziellen Industrieanforderungen. In den nachfolgenden
Abschnitten werden die notwendigen Modelländerungen bzw. die Auswirkun-
gen der Modellübertragung beschrieben. Abbildung 8.2 fasst die mit der Mo-
dellanwendung im Transportwesen verbundenen Anpassungen zusammen.
8.2.1 Auswirkungen auf das Master-Problem und Restriktionen

Die Tabu-Suche, die sich als sehr effektiver heuristischer Suchalgorithmus
bei der Optimierung von Flugplänen bewährt hat, kann auch beim Modellein-
satz zur Optimierung von Bahn- und Busfahrplänen angewandt werden. Aller-
dings sind hierfür Anpassungen der implementierten Intensivierungs- und Di-
versifikationsstrategie nötig.
Die für die Flugplanoptimierung konzipierte Intensivierungs- und Diversifikati-

onsstrategie betrifft die Auswahl sowohl der im aktuellen Optimierungsschritt
zu selektierenden Flüge als auch der geeignetsten Abflugs- und Ankunftszei-
ten aus dem vom Benutzer spezifizierten Zeitenlagenfenster. Bei der Suche
nach optimalen Abfahrts- und Ankunftszeiten der Transportdienste kann zur
Anpassung der Intensivierungs- und Diversifikationsstrategie die Berücksich-
tigung des Mindest- und Durchschnittswertes der Zielfunktionsverbesserung
sowie die Bestimmung der Erfolg versprechenden Zeitenlagen prob-
lemspezifisch variiert werden. So kann z.B. – abhängig von der Struktur und
der Ausgestaltung des jeweiligen Problems – das Ausmaß der Zeitenlagen-
veränderungen zur Konstruktion einer neuen Nachbarschaftslösung von den
derzeit im Modell verwendeten 15, 10 und 5 Minuten auf andere Werte ge-
setzt werden. Außerdem ist bei der Modellübertragung auf das Transportwe-
sen zu überlegen, ob, wie bei der bestehenden Modellformulierung, mehrere
mit der entsprechenden Zielfunktionsverbesserung verbundene zeitliche Re-
positionierungen der einzelnen Transportdienste in einem Iterationsschritt ak-
zeptiert werden sollen.
Modellanpassungen für den Einsatz im Transportwesen
Master-Problem Sub-Problem 1 Sub-Problem 2
• Suchalgorithmus • Art der aufzubauenden • Umsatzbewertung

– Tabu-Suche evtl. unter Verbindungen – Die grundsätzliche auf der
Anpassung der Intensivierungs- – Wegen der Monopolstellung der Schätzung der Marktanteile der
und Diversifikationsstrategie meisten Transportunternehmen Verbindungen basierende
– Abwechselnde Betrachtung der ist das Konkurrenzangebot Vorgehensweise ist nach wie
In- und Outbounds bleibt wenig relevant vor gültig
bestehen – Das Verbindungsangebot – Eine Kalibrierung des
anderer Transportmodi kann verwendeten Nachfrageschätz-
• Restriktionssystem berücksichtigt werden modells ist notwendig
– Flottenrestriktion ist weiterhin – Das Eigenangebot muss – Beim Vorliegen nur zeitlicher
zwingend erforderlich vollständig aufgebaut werden Interdependenzen kann das
– Slot-Restriktion kann bei ausrei- SABRE-Logit-Modell verwendet
chender Infrastrukturkapazität • Verbindungsaufbau werden
deaktiviert werden – Es werden die gleichen
– Zeitenlagenrestriktion kann in Methoden und Algorithmen zum • Bewertung der
Kombination mit einem Aspira- Verbindungsaufbau wie im Verspätungskosten
tionskriterium für die Tabu- Luftverkehr eingesetzt – Die Vorgehensweise ist analog
Suche abgeschwächt werden – Zusätzliche problemspezifische zum Luftverkehr: potenzielle
Kriterien wie z.B. notwendige Verspätungskosten als Umsatz-
• Systemaktualisierung Lade- und Transferzeit können abschlag, Verspätungs-
– Ausführung gleicher Routinen spezifiziert werden möglichkeit abhängig von den
– Problemspezifische Zugehörigkeitsfunktionen der
Ergänzungen Zeitenlagen
– Die Zugehörigkeitsfunktionen
werden basierend auf den
Vergangenheitsdaten und
Expertenwissen hergeleitet
Abbildung 8.2: Modellanpassungen für den Einsatz im Transportwesen
Es erscheint sinnvoll, die in das Flugplanoptimierungsmodell integrierte Ge-

nerierung der Verbesserungsvorschläge für jeweils nur die Inbound- oder die
Outbound-Flüge in einem Iterationsschritt analog beizubehalten. Dies erklärt
sich durch die bestehenden Interdependenzen zwischen den ankommenden
und den die Drehscheibe verlassenden Verkehren. Bei der implementierten
Vorgehensweise hat das Master-Problem die Möglichkeit, im aktuellen Itera-
tionsschritt auf die in der letzten Iteration vorgenommene Änderung der Zei-
tenlage eines Fahrdienstes durch die optimale Anpassung der Zeitenlagen
der entsprechenden damit verbundenen Dienste zu reagieren.
Das Flugplanoptimierungsmodell fordert die Einhaltung der Flotten-, Slot- und

Zeitenlagenrestriktionen. Die Flottenrestriktion, die die operationelle Durch-
führbarkeit der generierten Lösungsvorschläge gewährleistet, muss beim
Modelleinsatz im Transportwesen unbedingt beibehalten werden. Sie wird
nun als die Nichtüberschreitung der zur Verfügung stehenden Anzahl der für
die Ausführung der Fahrpläne notwendigen Fahrzeuge, wie Züge, Busse
oder Schiffe, formuliert. Die Restriktionseinhaltung kann basierend auf der im

Abschnitt 7.2.2.2 beschriebenen Methode der parallelen Flüge erfolgen.
Die Slot-Restriktion sichert die Berücksichtigung und die Nichtüberschreitung

der vorhandenen Infrastrukturkapazität. Wird das Modell für die Optimierung
von Start- und Endzeiten der Transportdienste für die Transportmodi einge-
setzt, in denen die Aufnahmekapazität der jeweiligen Umschlagsplätze be-
grenzt ist, muss die Beibehaltung der Slot-Restriktion ebenfalls verlangt wer-
den. Sie kann dabei genauso, wie im Abschnitt 7.2.1 dargestellt, als Vergleich
zwischen aktueller und maximal möglicher Anzahl der Abfahrts- und An-
kunftsereignisse für eine bestimmte Zeiteinheit modelliert werden. Steht aller-
dings für jede mögliche Problemlösung ausreichend Kapazität zur Verfügung,
kann man auf die Prüfung der Slot-Restriktion verzichten.
Im Unterschied zur Slot-Restriktion, die in gewissen Situationen deaktiviert

werden kann, ist die Einhaltung der Zeitenlagenrestriktion zwingend erforder-
lich. Führt aber eine nicht in das vom Benutzer definierte Zeitenlagenfenster
passende Verschiebung der Start- oder Endzeit eines Transportdienstes zu
einer sehr großen Zielfunktionsverbesserung, kann im Rahmen des Aspirati-
onskriteriums für die Tabu-Suche entschieden werden, ob eine solche Verlet-
zung der Zeitenlagenrestriktion akzeptiert werden darf.
Außer der Generierung von Nachbarschaftslösungen, Prüfungen der Restrik-

tionseinhaltung und Steuerung des Optimierungsprozesses besteht die Auf-
gabe des Master-Problems in der Aktualisierung des Systems nach der Ak-
zeptanz einer neuen Lösung. Bei der Modellübertragung auf das Transport-
wesen müssen die im Abschnitt 7.2.2.2 beschriebenen Update-Prozeduren
durchgeführt werden. In Abhängigkeit vom konkreten Transportproblem kön-
nen darüber hinaus weitere Systemaktualisierungen benötigt werden.
8.2.2 Auswirkungen auf das Sub-Problem 1

Das erste Sub-Problem besteht im Aufbau des gesamten Verbindungsange-
bots, das mit einem Transportplan assoziiert ist. Während beim Modelleinsatz
in der Luftfahrtindustrie nicht nur das Angebot der zu untersuchenden Flug-
gesellschaft erfasst wird, sondern auch alle Direkt- und Transferverbindungen
der Wettbewerber auf entsprechenden O&D-Märkten gebildet werden, spielt
das Konkurrenzangebot bei der Optimierung der Fahrpläne der Personen-
transportunternehmen in der Regel nur eine untergeordnete Rolle. Dies er-
klärt sich damit, dass sich die meisten dieser Unternehmen, z.B. Bahn- oder
Busgesellschaften, im Besitz der öffentlichen Hand befinden und eine nahezu

vollständige Monopolstellungen haben. Hier besteht das Sub-Problem 1 im
Wesentlichen im Aufbau des Eigenangebots bestehend aus allen validen Di-
rekt- und Transferverbindungen. Je nach Problemstellung kann es auch sinn-
voll sein, das Angebot der anderen Transportmodi zu berücksichtigen. So
können z.B. bei der Optimierung der Bahnfahrpläne die alternativen Reise-
möglichkeiten mit dem Auto, mit Bussen oder mit Flugzeugen auf den von der
Bahn angebotenen Strecken erfasst und mit bewertet werden. Bei der Fahr-
planoptimierung für Cargo-Unternehmen muss das Konkurrenzangebot we-
gen des kompetitiven Marktumfeldes im Cargo-Geschäft generiert und bei
der Evaluierung der Güte einer Fahrplanlösung berücksichtigt werden.
Die Generierung von eigenen und Konkurrenzverbindungen kann mit den im

Abschnitt 7.2.2.1.1 beschriebenen Methoden und Algorithmen erfolgen. Die
Prüfung der Hit-Fenster- und Detour-Faktor-Bedingung erscheint beim Mo-
delleinsatz im Transportwesen sinnvoll und notwendig, da sich so die Re-
chenzeit während des Bewertungsschritts verkürzt und das nicht wettbe-
werbsfähige Angebot aussortiert wird.

In der Originalformulierung des entwickelten Modells werden im Sub-Problem
2 die im Sub-Problem 1 generierten Verbindungen in Bezug auf die Passa-
gierumsätze und Verspätungskosten bewertet. Je nach Art der gewählten
Zielfunktion brauchen in diesem Schritt bei der Modellübertragung auf das
Transportwesen entweder nur die Verspätungskosten und die Verspätungs-
möglichkeit oder die Differenz zwischen den Passagier-(oder Cargo-)umsät-
zen und den Verspätungskosten evaluiert zu werden.
Die auf der Schätzung der Marktanteile einzelner Verbindungen basierende

Berechnung der Erträge aus Beförderungsleistungen kann beim Modellein-
satz im Transportwesen weitgehend übernommen werden. Dabei spielen, ge-
nauso wie bei der Schätzung der Passagiernachfrage auf Luftverkehrsmärk-
ten, die im Kapitel 6 dargestellten Modelle diskreter Entscheidungen eine
wichtige Rolle. Bei der Abbildung des Alternativnutzens müssen jedoch die
für den jeweiligen Transportmodus relevanten Faktoren herangezogen sowie
eine Kalibrierung des entsprechenden Nachfrageschätzmodells vorgenom-
men werden. Das zur Evaluierung der Marktanteile der einzelnen Flugverbin-
dungen verwendete SABRE-Logit-Modell kann wegen seiner Flexibilität und
der Abbildung der zeitlichen Interdependenzen zwischen den Alternativen
auch zur Marktanteilsprognose im Transportwesen angewandt werden. Be-

stehen allerdings neben zeitlichen noch weitere Interdependenzen, ist ein
anderes Modell zur Schätzung der Marktanteile heranzuziehen.
Analog zur Vorgehensweise in der Originalformulierung muss als Nächstes

die Anzahl der Passagiere oder Gütereinheiten errechnet werden. Dies er-
folgt durch Multiplikation der evaluierten Marktanteile mit den Marktgrößen
der entsprechenden Märkte und Kundensegmente. Im nächsten Schritt kön-
nen dann die erwarteten Umsätze als Produkt der Passagierzahl bzw. des
Güteraufkommens mit den Durchschnittserträgen der jeweiligen Märkte er-
rechnet werden.
Die im Rahmen der Ausführung des Sub-Problems 2 zu kalkulierenden Ver-

spätungskosten sind wie in der Originalformulierung vorgeschlagen auch hier
durch Gewichtung der potenziellen Verspätungskosten mit der Verspätungs-
möglichkeit zu berechnen. Die potenziellen Verspätungskosten können hier
ebenfalls als wartezeitabhängiger Umsatzabschlag modelliert und je nach
konkreter Problemausgestaltung um weitere Kosten2 ergänzt werden.
Die Berechnung der Verspätungsmöglichkeiten sowie die Herleitung der da-

für notwendigen Fuzzy-Zugehörigkeitsfunktionen der Zeitenlagen gestaltet
sich bei der Optimierung der Start- und Endzeiten der einzelnen Fahrdienste
identisch wie in der für den Luftverkehr konzipierten Methodik. Das für die
Herleitung der Zugehörigkeitsfunktionen benötigte Datenmaterial wird in der
Regel wegen der Periodizität der Ausführung der meisten Transportdienste in
ausreichendem Maße vorhanden sein. Nach der Transformation der auf den
historischen Werten basierenden Häufigkeitsverteilungen der Zeitenlagen in
die entsprechenden Möglichkeitswerte müssen die Letzteren um das subjekti-
ve Expertenwissen ergänzt werden. Dafür eignen sich sowohl die beim Mo-
delleinsatz im Luftverkehr verwendete Methode der direkten Abfrage als auch
andere im Kapitel 5 beschriebene Abfragemethoden. Ausgehend von den
Fuzzy-Zugehörigkeitsfunktionen der die jeweilige Transferverbindung bilden-
den Fahrdienste kann die Möglichkeit für das Eintreten eines Verspätungser-
eignisses dann mit der Formel (7.6) errechnet werden.
2
z.B. Übernachtungs-, Verpflegungs- oder Lagerkosten
8.3 Modelleinsatz im Supply Chain Management und in der

Logistik
Sowohl in der theoretischen Literatur als auch in der Praxis existieren unter-
schiedliche Meinungen, was unter Supply Chain Management (SCM) zu ver-
stehen ist bzw. welche Aufgaben und Funktionen damit assoziiert werden.
Dadurch, dass der Begriff SCM von zahlreichen Autoren mit unterschiedli-
chen Inhalten belegt wird, existiert dafür keine allgemeingültige Definition. Die
von Wildemann (2000) verwendete Formulierung vermittelt jedoch das grund-
legende Verständnis für das Konzept von Supply Chain Management: "Unter
SCM kann man die Planung, Steuerung und Kontrolle des gesamten Materi-
al- und Dienstleistungsflusses, einschließlich der damit verbundenen Informa-
tions- und Geldflüsse, innerhalb eines Netzwerks von Unternehmungen und
deren Bereichen verstehen, die im Rahmen von aufeinander folgenden Stu-
fen der Wertschöpfungskette an der Entwicklung, Erstellung und Verwertung
von Sachgütern und/oder Dienstleistungen partnerschaftlich zusammenarbei-
ten, um Effektivitäts- und Effizienzsteigerungen zu erreichen"3. SCM umfasst
Informations- und Geldfluss
Beschaffung Produktion Distribution und

Lagerhaltung
Ziele: Ziele: Ziele:

• Erhöhung der Inputqualität • Prozessorientierte Integration • Verkürzung der Lieferzeiten
• Kostensenkung der Kundendaten in die • Minimierung der Kapitalbindung
Fertigung
• Verkürzung der Beschaffungs- • Maximierung des Service-
zeiten • Optimierung der Produktions- grades
abläufe
• Schaffung eines Pools von • Kostensenkung
zuverlässigen Lieferanten • Kostensenkung
Einige Aufgaben:
Einige Aufgaben: Einige Aufgaben:
• Transport- und Lieferplanung
• Einkaufs- und • Kurz- und langfristige
Kapazitäts- und Ressourcen- • Planung und Verwaltung der
Losgrößenplanung Vertriebskanäle
planung
• Planung der • Planung und Verwaltung des
Lieferantennetzwerke • Produktionsablaufsplanung
Lieferbestandes und der Liefer-
• Qualitätskontrolle • Maschinenbelegungsplanung qualität
• Transportplanung • Zeit- und Arbeitsplanung • Lagerbestandsplanung und
• Auslösen und Verfolgen der • Bedarfsplanung -verwaltung
Bestellvorgänge • Auftragsverwaltung
• Bestellterminierung
Güter- und Informationsfluss
Abbildung 8.3: Ziele und Aufgaben von Supply Chain Management
3
WILDEMANN, H. (2000), S. 12
somit die mit der Planung und Steuerung der logistischen Kette verbundenen
Aktivitäten. Die logistische Kette integriert dabei die inner- und außerbetriebli-
chen Beschaffungs-, Produktions- und Distributionsprozesse. Abbildung 8.3
fasst die wichtigsten Ziele und Aufgaben von SCM zusammen.
Im Rahmen von SCM werden Konzepte zu Just-in-Time-Produktion, Sourcing,

Produktionssteuerung sowie zum Kooperations- und Vertriebsmanagement
entwickelt und umgesetzt. Die einzelnen Prozesse und Prozessbausteine
dieser SCM-Strategien sind dabei sehr eng miteinander verlinkt und präzise
aufeinander abgestimmt. Aus diesem Grund stellt die Prozessstabilität
und -zuverlässigkeit eine grundlegende Bedingung für die erfolgreiche Reali-
sierung der auf die Kostensenkung der Logistikkette und die Steigerung der
Qualität gerichteten SCM-Konzepte dar. Der Verlust oder die Reduktion der
Zuverlässigkeit der einzelnen auszuführenden Dienste kann die durch Pro-
zessoptimierung erzielten Effizienzgewinne zunichte machen und die Effekti-
vität von SCM in Frage stellen.
Durch den Einsatz des in der vorliegenden Arbeit entwickelten Modells im

Kontext von SCM können die mit der irregulären Ausführung der einzelnen
Liefer-, Produktions- und Distributionsdienste verbundenen Unsicherheitsas-
pekte in die Prozessoptimierung integriert und die negativen Folgen von un-
zuverlässigem Service minimiert werden. Das Modell könnte z.B. zur Festle-
gung der optimalen Anfangs- und Endzeiten für Bestell-, Produktions- und
Absatzvorgänge herangezogen werden.
In den nachfolgenden Abschnitten wird untersucht, welche Anpassungen bei

einer Modellübertragung auf die Fragestellungen im Kontext von SCM not-
wendig sind.
8.3.1 Auswirkungen auf das Master-Problem und Restriktionen

Da das Supply Chain Management primär auf die Optimierung der internen
Unternehmensprozesse und nicht auf die unmittelbare Umsatz- oder Gewinn-
erzielung gerichtet ist, kann sich die Zielfunktion des Modells, deren Minimie-
rung im Rahmen der Ausführung des Master-Problems überwacht und ge-
steuert wird, nur über Kosten- oder Zuverlässigkeitsgrößen definieren. Die
Prozessoptimierung im Hinblick auf die Minimierung der Verspätungskosten
oder der Verspätungsmöglichkeit, die den Grad der Störanfälligkeit des Ser-
vices angibt und somit als ein Zuverlässigkeitsmaß fungiert, kann dabei als
das Management des operativen Risikos interpretiert werden.
Modellanpassungen für den Einsatz im Supply Chain Management
Master-Problem Sub-Problem 1 Sub-Problem 2
• Suchalgorithmus • Das Sub-Problem 1 verliert für • Umsatzbewertung

– Tabu-Suche evtl. unter die meisten Optimierungs- – Nicht notwendig
Anpassung der Intensivierungs- aufgaben im Kontext von
und Diversifikationsstrategie Supply Chain Management • Bewertung der
– Abwechselnde Betrachtung der seine Relevanz Verspätungskosten
In- und Outbounds ist nicht – Berechnung der potenziellen
mehr sinnvoll • Grund: Verspätungskosten als von der
– Die für den Luftverkehr und das Prozesswartezeit abhängigen
• Restriktionssystem Transportwesen wichtige Geldbetrag
– Flottenrestriktion ist weiterhin Maximierung der Transitströme – Modellierung des Zusammen-
erforderlich ist nicht das primäre Ziel der hangs der Verspätungslänge
– Slot-Restriktion kann bei ausrei- Prozessoptimierung im Kontext und der potenziellen Verspä-
chender Kapazität der Anlagen von Supply Chain Management tungskosten mit unterschied-
deaktiviert werden lichen Funktionstypen
– Zeitenlagenrestriktion kann in • Ausnahme: – Herleitung der Zugehörigkeits-
Kombination mit einem Aspira- – Optimierung der Liefer- und funktionen der Prozess-
tionskriterium für die Tabu- Vertriebsnetzwerke zeitenlagen wird wegen der
Suche abgeschwächt werden Unregelmäßigkeit der Prozess-
– Zusätzliche Restriktionen, die ausführung oder sich ständig
die Ausführungsreihenfolge ändernden Rahmenbedin-
oder die Start- bzw. Endtermine gungen meistens durch die
betreffen, können hinzugefügt Expertenabfrage erfolgen
werden – Berechnung der Verspätungs-
möglichkeit bei gegebenen
• Systemaktualisierung Zugehörigkeitsfunktionen
– Für die Systemaktualisierung erfolgt analog zum Luftverkehr
sind problemspezifische
Methoden notwendig
Abbildung 8.4: Modellanpassungen für den Einsatz im Supply Chain Management
Neben der Wahl der passendsten Zielfunktion muss eine Adjustierung des
Restriktionssystems vorgenommen werden. Die Flottenrestriktion, die die
Ausführbarkeit der optimierten Pläne auf den vorhandenen Produktionsmit-
teln kontrolliert, ist nach wie vor beizubehalten. Sie kann z.B. bei der Planung
der Maschinenbelegung als die Ermöglichung der vorgesehenen Material-
bearbeitung auf den zur Verfügung stehenden Produktionsanlagen verstan-
den werden.
Neben der Flottenrestriktion muss auch die Slot-Restriktion zur Abbildung der
verfügbaren Ressourcenkapazität berücksichtigt werden. Diese Restriktion
kann hier, ähnlich wie beim Modelleinsatz im Luftverkehr, als Prüfung der
Nichtüberschreitung der maximal möglichen Anzahl von Vorgängen pro Zeit-
einheit auf einer Produktionsanlage bzw. einer Ressource modelliert werden.
Die Zeitfensterrestriktion wird auch für die SCM-Prozesse benötigt, kann al-
lerdings in Kombination mit einem Aspirationskriterium abgeschwächt bzw.
deaktiviert werden.
Außer den in der Originalformulierung des Optimierungsmodells verwendeten

Restriktionen können hier eine Reihe von zusätzlichen Nebenbedingungen
definiert und berücksichtigt werden, welche die Lösungsmengen einschrän-
ken. Diese können z.B. die Reihenfolge der Ausführung einzelner Prozesse
betreffen sowie die frühesten bzw. spätesten Zeitpunkte für den Anfang bzw.
das Ende der entsprechenden Vorgänge festlegen.
Die optimalen Zeitenlagen der einzelnen Prozesse im Kontext von SCM kön-
nen weiterhin mit der in das Originalmodell integrierten Tabu-Suche ermittelt
werden. Je nach konkreter Fragestellung wird jedoch eine entsprechende
problemspezifische Anpassung der Intensivierungs- und Diversifikationsstra-
tegie nötig.
Verzichtet werden kann hier auf die Erarbeitung der zeitlichen Repositionie-
rungsvorschläge für nur einen Teil der auszuführenden Vorgänge. Dies ent-
spricht in der urprünglichen Modellformulierung der Betrachtung jeweils nur
der Inbound- oder Outbound-Flüge in einem Iterationsschritt. Der Grund dafür
ist eine wesentlich komplexere Natur der Prozessinterdependenzen in der
betrieblichen Realität als die Art der wechselseitigen Abhängigkeiten zwi-
schen den einzelnen Flügen an einem Hub-Flughafen.

Das Sub-Problem der Generierung des Verbindungsangebots verliert für die
meisten Problemstellungen im Kontext von Supply Chain Management seine
Relevanz. Es kann zwar bei einigen Problemtypen, wie z.B. der Optimierung
der Vertriebs- oder Lieferantennetzwerke, zum Aufbauen der Transportrouten
aufgerufen werden, wird jedoch wegen der nicht auf die Maximierung der
Transferströme gerichteten Planung nicht mehr benötigt.

Mit dem Sub-Problem 2 werden die miteinander zusammenhängenden Pro-
zesse in Bezug auf die Verspätungskosten oder die Verspätungsmöglichkeit
bewertet. Die Methode der Gewichtung der potenziellen Verspätungskosten
mit der Möglichkeit des Eintretens eines Verspätungsereignisses verspricht
auch für die mit dem Supply Chain Management verbundenen Fragestellun-
gen sinnvolle und valide Ergebnisse.
Die potenziellen Verspätungskosten können als ein von der Verspätungszeit

abhängender Geldbetrag modelliert werden. Je nach Art des Zusammen-
hangs zwischen einer Prozessverspätung und den daraus resultierenden ne-
gativen monetären Konsequenzen können für die Abbildung der potenziellen
Verspätungskosten unterschiedliche Funktionstypen definiert werden.
Bei Vorliegen einer ausreichenden Menge von Vergangenheitsdaten können

die Zugehörigkeitsfunktionen der Prozesszeitenlagen analog zu der in der O-
riginalformulierung des Modells verwendeten Vorgehensweise hergeleitet
werden, d.h. durch Transformation der Häufigkeitsverteilungen in die Möglich-
keitswerte mit anschließender Anpassung um das subjektive Expertenwissen.
Fehlen die verlässlichen historischen Beobachtungswerte auf Grund der Un-
regelmäßigkeit der Prozessausführung, starker Differenz der Rahmenbedin-
gen oder der Neueinführung der jeweiligen Prozesse, müssen die Zugehörig-
keitsfunktionen mit Hilfe der im Kapitel 5 beschriebenen Abfragemethoden
ermittelt werden. Bei Vorhandensein der entsprechenden Zugehörigkeitsfunk-
tionen kann dann die Verspätungsmöglichkeit mit der für das ursprüngliche
Optimierungsmodell konzipierten Formel (7.6) kalkuliert werden.
231
Kapitel 9: Fazit und Ausblick

Der Kosten- und Margendruck, der infolge der verschärften Wettbewerbssitu-
ation in modernen Güter- und Dienstleistungsmärkten auf Unternehmen lastet,
erfordert eine zeit- und kostenoptimale Leistungserbringung und eine effizien-
te Ressourcenallokation. Viele der auf die Erfüllung dieser Anforderungen
ausgerichteten Schedule-Optimierungsmodelle gehen entweder von der Kon-
stanz der Scheduling-Parameter oder von der Kenntnis der Verteilungen die-
ser Parameter während der Ausführungsperiode aus. Dies widerspricht
jedoch den in der Realwelt beobachteten Sachverhalten und führt oft dazu,
dass die auftretenden Änderungen der Rahmenbedingungen die Optimalität
der Schedules zunichte machen. Als Folge daraus entstehen Effektivitätsver-
luste und somit operative und alternative Kosten.
Das in der vorliegenden Arbeit entwickelte Modell ist der erste Versuch, die
Unsicherheitsaspekte am Beispiel des Luftverkehrs umfassend, realitätsnah
und theoretisch fundiert in das Scheduling bzw. in die Flugplanoptimierung zu
integrieren. Die Abbildung der Unsicherheiten bezüglich Abflugs- und An-
kunftszeiten der Flüge erfolgt mit Hilfe der Fuzzy-Mengen-Theorie. Dies er-
möglicht die Berücksichtigung sowohl der Vergangenheitsinformationen als
auch der subjektiven Vorstellungen, Erfahrungen und Bewertungen der Ex-
perten bei der Herleitung der Aussagen über die zu erwartenden Unsicher-
heitsaspekte. Eine solche Modellierungstechnik weicht außerdem den Nach-
teilen der stochastischen Ansätze aus, die von der vollständigen Übereinstim-
mung der Rahmenbedingungen in den Vergangenheits-, Planungs- und Aus-
führungsperioden ausgehen, und erlaubt somit eine realitätsnahe Beschrei-
bung der Unsicherheit.
Im Unterschied zu den meisten Flugplanoptimierungsmodellen ermöglicht

das vorliegende Modell eine ganzheitliche Betrachtung der relevanten Um-
satz- und Kostenaspekte bei der Optimierung der Flugpläne. So werden hier
die Flugverspätungen derart instrumentalisiert, dass sie in die bei den Flug-
gesellschaften anfallenden Verspätungskosten überführt und neben den er-
warteten Passagierumsätzen zum Bestandteil der Zielfunktion deklariert wer-
den. Die Berechnung der Verspätungskosten orientiert sich dabei an den aus
der Praxis bekannten Kostenpositionen und den entsprechenden Zusammen-
hängen. Die durch die Passagierbeförderung generierten Umsätze, die aus
einer Flugplanlösung resultieren, werden basierend auf den auf empirischen
Daten kalibrierten und die Sachverhalte auf den Luftverkehrmärkten realitäts-
nah abbildenden Marktmodellen für Geschäfts- und Privatreisende kalkuliert.
232 Kapitel 9 Fazit und Ausblick
Das entwickelte Optimierungsmodell integriert mehrere Sub-Module. Diese

liefern für jeden von der Optimierungsroutine generierten Vorschlag zur Än-
derung der zeitlichen Positionierungen der Flüge die monetäre Bewertung
des resultierenden Flugplans. Solch ein modularer Aufbau ermöglicht durch
die Anpassungen der einzelnen Modellbausteine eine unkomplizierte Über-
tragbarkeit des Modells auf die anderen Branchen und Wertschöpfungsberei-
che. Die erarbeiteten Ansätze zur Modelladaption für den Einsatz im
Transportwesen und im Supply Chain Management bestätigen dies.
Zur Gewährleistung der Ergebnisvalidität und der Benutzerakzeptanz berück-

sichtigt das entwickelte Optimierungsmodell die Besonderheiten der Luftfahrt-
industrie und lässt sich eindeutig in den Prozess der Flugplanung einordnen.
Es unterstützt die Phase der Flugplan-Feinabstimmung, in welcher Flugplan-
änderungen heute meist manuell und unsystematisch vorgenommen werden.
Das Modell bedient sich ausschließlich der zu Beginn der entsprechenden
Planungsphase vorhandenen Informationen und ermöglicht das weitgehende
Beibehalten der in den ersten Phasen des Planungsprozesses hergeleiteten
Flugplanstruktur.
Die Praxistauglichkeit des entwickelten Flugplanoptimierungsmodells wurde

durch seine Überführung in ein professionelles Software-Tool und den an-
schließenden Einsatz bei den Flugplänen großer internationaler Fluggesell-
schaften bestätigt. Dabei zeigte sich, dass das Modell die in der Realität
beobachteten Sachverhalte erwartungsgemäß abbildet. Es ist in der Lage,
eine deutliche Steigerung der erwarteten operativen Airline-Ergebnisse in
Höhe von ca. 4-5% herbeizuführen, Verspätungskosten realitätsnah und ad-
äquat zu beschreiben sowie die in den Flugplänen vorhandenen Ineffizienzen
zu identifizieren. Die empirischen Bewertungs- und Optimierungsläufe zeigten
zudem eine signifikante Verbesserung der Verspätungskostensituation nach
der von American Airlines in Chicago und Dallas vorgenommenen Einführung
des Rolling Hub. Das De-Peaking der Lufthansa in Frankfurt kann trotz eines
leichten Anstiegs der Verspätungskosten angesichts des starken Wachstums
der Flugbewegungen am Flughafen und der Verkürzung der Flugzeiten eben-
falls als Erfolg bewertet werden.
Die Feststellungen dieser Arbeit könnten einen Anstoß bilden, die Theorie der
Fuzzy-Mengen bei der Optimierung von Flugplänen sowie bei anderen Sche-
duling-Aufgaben einzusetzen, um so die zu signifikanten Kosten führenden
Unsicherheitsaspekte bezüglich der Ausführungs-, Anfangs- und Endzeiten
der Produktions- und Dienstleistungsprozesse realitätsnah abzubilden.
Kapitel 9 Fazit und Ausblick 233
Diese Arbeit liefert weitere Argumente für die Notwendigkeit und den Sinn ei-
ner Integration der Unsicherheitsaspekte in den Prozess der Flugplanoptimie-
rung und sie zeigt die Möglichkeiten und Grenzen für die Realisierung einer
solchen Integration auf.
Nicht zuletzt können die Erkenntnisse dieser Arbeit das Management der
Fluggesellschaften davon überzeugen, sich von der ursprünglichen, auf den
Aufbau von mehreren über den Tag verteilten Verkehrswellen ausgerichteten
Planungsphilosophie zu verabschieden und sich anstatt dessen zur Gewähr-
leistung der gleichmäßigen Ressourcenverteilung und zur Minimierung der
Verspätungskosten auf die Entwicklung und Implementierung von Rolling
Hubs zu konzentrieren.
Anschließende Arbeiten könnten sich mit der Weiterentwicklung des Fuzzy-

und Marktmodell-basierten Flugplanoptimierungsmodells für die Multi-Hub-
oder Flugallianz-Umgebung befassen. Der auf Luftverkehrsmärkten beob-
achtete Trend zum Aufbauen von großen, synchronisierten Multi-Hub- und
Partnerflugnetzwerken macht eine solche Modellerweiterung hoch aktuell.
Des Weiteren könnte ein funktionaler Zusammenhang zwischen der Infra-

strukturauslastung und den Zugehörigkeitsgraden der Fuzzy-Mengen erarbei-
tet werden, welche die entsprechende Prozesslänge, die -start-,
oder -endzeitpunkte angeben. Dies würde die Spezifikation der Zugehörig-
keitsfunktionen seitens der Modellbenutzer erleichtern und die Abbildung der
Systeminterdependenzen präzisieren.
In künftigen Forschungsarbeiten könnte man darüber hinaus versuchen, im

entwickelten Modell mit anderen heuristischen oder exakten Optimierungs-
methoden zu arbeiten. Sinnvoll wäre auch eine Ergänzung der Marktmodell-
bzw. Passagierschätzung um die Kapazitätsaspekte. In diesem Zusammen-
hang müsste untersucht und modelliert werden, wie die Passagiernachfrage,
die die jeweilige Flugzeugkapazität übersteigt, auf die anderen Flugverbin-
dungen verteilt werden kann. In einem nächsten Schritt wäre dann zu klären,
wie sich die relevanten Kostenpositionen verändern, wenn die verspäteten
Passagiere auf die alternativen späteren Verbindungen umgebucht werden
müssen und dort wegen Kapazitätsengpässen die Passagiernachfrage ver-
drängen.
Basierend auf den Erkenntnissen dieser Arbeit könnte man auch Versuche
unternehmen, Flugzeug- und Crewzuordnung mit Hilfe eines Fuzzy-basierten
Modells durchzuführen.
234 Kapitel 9 Fazit und Ausblick
Interessant wäre überdies ein Ansatz, der über die erarbeiteten Vorschläge
zur Modelladaptation hinausgeht und versucht, das Modell auf eine konkrete
Scheduling-Aufgabe im Transportwesen oder im Supply Chain Management
anzuwenden. Das in dieser Arbeit enthaltene Methodeninstrumentarium lie-
fert dafür eine solide und ausbaufähige Basis.
235
Anhang
Parameter der empirischen Bewertungs- und Optimierungsläufe
Parameter Wert
Wochentag Montag
Detour-Factor 1,35
Maximales Hit-Fenster für Transferverbindungen mit der
120 Minuten
Gesamtreisezeit < 4 Std.
Maximales Hit-Fenster für Transferverbindungen mit der
180 Minuten
Gesamtreisezeit ≥ 4 Std.
[-30 Minuten bis + 30
Zeitfenster für die Zeitenlagen der Flüge
Minuten]
Preisaufschlagkoeffizient für die Passagierbeförderung mit der
1,0
eigenen Airline
Preisaufschlagkoeffizient für die Passagierbeförderung mit einer
1,1
Partner-Airline
Preisaufschlagkoeffizient für die Passagierbeförderung mit einer
1,2
Konkurrenz-Airline
Anteil der Passagiere, die mit dem ersten späteren Flug
80%
weiterbefördert werden
Anteil der Passagiere, die mit dem zweiten späteren Flug
20%
weiterbefördert werden
Partner-Airlines für American Airlines OneWorld Mitglieder
Partner-Airlines für Lufthansa Star-Alliance Mitglieder
Umsatzabschlag bei einer Verspätung von 0,5 Stunden 10%
Umsatzabschlag bei einer Verspätung von 1 Stunden 10%
Umsatzabschlag bei einer Verspätung mehr als 4 Stunden 100%
Übernachtungskosten für einen Passagier 100 €
Umsatzabschlag bei einer Übernachtung 70%
Faktor zur Berücksichtigung von früheren Abflügen 0%
Maximale Anzahl von Slots für American Airlines in Chicago
7
O'Hare pro 5 Minuten
Maximale Anzahl von Slots für American Airlines in Dallas/Fort
13
Worth pro 5 Minuten
Maximale Anzahl von Slots für Lufthansa in Frankfurt pro 5
5
Minuten
Länge der Tabu-Liste 170 Flüge
Maximale Anzahl der Iterationen (Abbruchskriterium) 100
Anzahl der zu akzeptierenden Flügen in einem Iterationsschritt 20
Mindestwert für die Zielfunktionsverbesserung 2.000 €
Skalierungsparameter für den Mindestwert 0,95
Wahrscheinlichkeit für die Akzeptanz der Flüge mit der
10%
Zielfunktionsverbesserung kleiner als der skalierte Mindestwert
Wahrscheinlichkeit für die Akzeptanz der Zeitenlagen der Flüge
mit der Zielfunktionsverbesserung kleiner als der skalierte 10%
Mindestwert
Zulässige Anzahl der Iterationsschritte mit einer
3
Zielfunktionsverbesserung unter dem vorgegebenen Mindestwert
236 Anhang
Entwicklung
Entwicklung des
des Anteils
Anteils der
der Codeshare-Flüge
Codeshare-Flüge in
in den
den Weltflugplänen
Weltflugplänen
35,5%
30,6%
27,2% 27,3% 26,7%
17,6%
15,9% 15,1% 14,4%
14,6%
11,6% 11,6%
1993 1994 1995 1996 1997 1998 1999 2000 2001 2002 2003 2004
Abbildung A.1: Entwicklung des Anteils der Codeshare-Flüge in den Weltflugplänen

(Quelle: OAG-Sommerflugpläne, eigene Berechnungen)
Entwicklung
Entwicklung der
der operativen
operativen Ergebnisse
Ergebnisse und
und Gewinne
Gewinne der
der
weltweiten
weltweiten Airline-Industrie
Airline-Industrie
Umsatz-
anteil
8
0
1993 1994 1995 1996 1997 1998 1999 2000 2001 2002 2003
-2
-4
-6
Operatives Ergebnis
Gewinn
Abbildung A.2: Entwicklung der operativen Ergebnisse und Gewinne der weltweiten
Airline-Industrie (Quelle: IATA (2004), S. 27)
Anhang 237
Freiheitsgrade im Luftverkehr
Erste Freiheit
Das Reicht, das Hoheitsgebiet eines anderen Heimatstaat Staat A Staat B
Staates ohne Landung zu überfliegen
Zweite Freiheit
Das Recht im Hoheitsgebiet eines anderen Staates
zu nichtgewerblichen Zwecken zu landen Heimatstaat Staat A Staat B
Dritte Freiheit
Das Recht, Passagiere, Post und Fracht aus dem
Heimatstaat in einen anderen Staat zu befördern Heimatstaat Staat A
Vierte Freiheit
Das Recht, Passagiere, Post und Fracht aus einem
anderen Staat in den Heimatstaat zu befördern Heimatstaat Staat A
Fünfte Freiheit
Das Recht, Passagiere, Post und Fracht auf einem
Flug, der im Heimatstaat beginnt, zwischen zwei
anderen Staaten zu befördern Heimatstaat Staat A Staat B
Sechste Freiheit
Das Recht, Passagiere, Post und Fracht auf zwei
verschiedenen Flügen von einem anderen Staat via
den Heimatstaat in einen Drittstatt zu befördern Staat A Heimatstaat Staat B
Siebte Freiheit
Das Recht, Passagiere, Post und Fracht auf einem
Flug zwischen zwei Drittstaaten zu befördern Heimatstaat Staat A Staat B
Achte Freiheit (oder Cabotage)

Das Recht, Passagiere, Post und Fracht innerhalb
eines Drittstaates zu befördern, aber in Verbindung
mit dem Heimatstaat Heimatstaat Staat A
Neunte Freiheit (oder Stand-alone Cabotage)

Das Recht, Passagiere, Post und Fracht ohne
Verbindung zum Heimatstaat innerhalb eines Heimatstaat Staat A
Drittstaates zu befördern
Glossar wichtiger Begriffe der Luftverkehrswirtschaft
Airline Code Ein von der IATA vorgegebener zwei- oder

dreistelliger Buchstabencode, der eine Flug-
gesellschaft identifiziert
Airport Code Ein dreistelliger Buchstabencode, der jeden
Flughafen eindeutig identifiziert. Airport Code
kann vom City-Code der jeweiligen Stadt
238 Anhang
abweichen, falls eine Stadt über mehrere

Flughäfen verfügt
Available Passenger Produkt der Anzahl der verfügbaren Sitze
Kilometers und der Flugdistanz über alle Flüge
einer Fluggesellschaft. Gibt Auskunft über die
angebotene Verkehrsleistung
Carrier Fluggesellschaft
City Code Ein dreistelliger Buchstabencode, der jede
Stadt eindeutig identifiziert
Codeshare Häufig angewandtes Verfahren im Luftverkehr.
Dabei teilen sich zwei oder mehrere Flug-
gesellschaften einen Linienflug. Jede der
beteiligten Fluggesellschaften erhält eine eigene
Flugnummer
Destination Bestimmungsort einer Flugverbindung
Detour-Factor Das Verhältnis der Summe der Distanzen
einzelner Flüge, die eine Transferverbindung
bilden, zu der direkten Streckenlänge
Dezentrales Netzwerk Auch Punkt-zu-Punkt-Netzwerk genannt.
Netzwerk, in dem Passagiere auf dem Weg
zwischen den Start- und Endflughäfen mit
Flugverbindungen ohne Zwischenstopp
befördert werden
Domestic Traffic Inlandsverkehr
Eurocontrol Europäische Organisation für Flugsicherung
und -sicherheit. Eurocontrol koordiniert den
europäischen Luftverkehr
FAA US-amerikanische Organisation. Verantwortlich
für Flugsicherung, Luftverkehrssteuerung,
Navigation und Entwicklung des zivilen
Luftverkehrs in den USA
Ferry-Flug Flug, der ausgeführt wird, um ein Flugzeug zu
seinem Basis-Flughafen oder einer Reparatur-
Werkstatt zu bringen sowie es an einen anderen
Einsatzort zu repositionieren
Flugsicherung Dient der Lenkung und Sicherung des
Luftverkehrs. Flugsicherung schütz Flugzeuge
vor möglichen Gefahren und zu nahen
Anhang 239
Begegnungen durch Verkehrsflusssteuerung

und Luftraum-Management
Flugverspätung Abweichung zwischen der planmäßigen und der
tatsächlichen Abflugs- oder Ankunftszeit eines
Fluges. Eine Flugverspätung wird oft erst ab 15
Minuten registriert
Freiheiten im Luftverkehr Start-, Lande- und Überflugsrechte für den
internationalen Fluglinienverkehr
Frequenzen Anzahl der Flüge innerhalb eines Zeitraums
(meistens eine Woche)
Vielfliegerprogramme Airline-Marketing-Programme, die
Kundenloyalität steigern und dadurch
Marktanteile erobern oder verteidigen. Bei
diesen Programmen bekommen Passagiere
Punkte für geflogene Meilen oder Kilometer.
Punkte können später für Flüge oder
Sachprämien ausgegeben werden und
entscheiden über die Vorzugsbehandlung
High Yield Tarif Tarife bzw. Ticketpreise für Business- und
Firstclass-Passagiere
Hit Eine wettbewerbsfähige Transferverbindung
Hit-Window Maximale Zeitspanne zwischen der Ankunftszeit
eines Zubringerfluges und der Abflugszeit eines
Anschlussfluges, die zum Zustandekommen
eines Hits führt
Hub Flughafen, der als Umschlagsort für Passagier-
reiseströme fungiert
Hubbing Methode der Flugplanung, bei der eine Flug-
gesellschaft die Zeitenlagen ihrer Flüge, die
über einen Flughafen gehen, derart koordiniert,
dass die Anzahl der mit diesen Flügen
beförderten Transferpassagiere maximiert wird
Hub-and-Spoke Netzwerk Netzwerk, in dem Passagiere auf dem Weg
zwischen ihren Start- und Zielflughäfen
Zwischenstopps über einen oder mehreren Hub-
Flughäfen befördert
Inbound-Flug Ankommender Flug
Leg Flugsegment ohne Zwischenstopp
240 Anhang
Low Yield Tarife bzw. Ticketpreise für Economyclass-

passagiere
Mehr-Leg-Flug Ein Flug, der aus mehreren Legs besteht, wobei
alle Legs unter der gleichen Flugnummer
ausgeführt werden
Netzwerkmanagement Planung des Streckennetzes einer
Fluggesellschaft
O&D Origin & Destination: Start- und Endpunkt einer
Flugverbindung
Origin Abflugsort einer Flugverbindung
Outbound-Flug Abgehender Flug
Prorating Umsatz- oder Gewinnaufteilung zwischen den
Fluggesellschaften, die an einer Flugverbindung
beteiligt sind
Transferverbindung Flugverbindung über einen oder mehrere
Zwischenflughäfen
Transferpassagier Passagier, der eine Transferverbindung antritt
PAX Im Luftverkehr übliche Bezeichnung für einen
Passagier
Peak Tageszeit mit einer besonders großen
Passagiernachfrage
Pricing Prozess der Preisfindung und Preissetzung
Revenue Passenger Produkt der Anzahl der zahlenden Passagiere
Kilometers und der Flugdistanz über alle Flüge
einer Fluggesellschaft. Gibt Auskunft über die
nachgefragte Verkehrsleistung
Schedule Flugplan. Enthält Informationen über die
geplanten Abflugs- und Ankunftszeiten -und orte
Scheduled Flight Linienflug
Scheduling Prozess der Flugplanentwicklung- und
Optimierung
Sitzladefaktor Prozentsatz der ausgenutzten
Flugzeugsitzkapazität
Slot Ein Zeitfenster, in dem eine Fluggesellschaft
einen Start- oder Landevorgang tätigen darf.
Anhang 241
Bezieht sich in der Regel auf ein 5 Minuten

Intervall
Spoke Eine Außenstation in einem Hub-and-Spoke-
Netzwerk
Tarif Preis für die Passagierbeförderung
Turnaround-Time Die aus technischen Gründen erforderliche
Mindestzeit, die ein Flugzeug am Boden
verbringen muss, um auf den nächsten Flug
vorbereitet zu werden
Yield Durchschnittsertrag, der mit der Passagier-
beförderung generiert wird. Errechnet sich als
der Passagierumsatz in einem Passagier-
segment geteilt durch die Anzahl der Passa-
giere im entsprechenden Segment (oft teilt man
den so erhaltenen Wert durch die Anzahl der
angebotenen Meilen oder Kilometer)
Yield Management Optimierung der Kapazitätsauslastung durch
Preis- und Verfügbarkeitsmanagement
243
Literaturverzeichnis
Abara, J. (1989): Applying Integer Linear Programming to the Fleet Assign-

ment Problem, Interfaces 19, 4 July-August 1989, S. 20-28
Abrahamsson, T. (1998): Estimation of Origin-Destination Matrices Using

Traffic Counts – A Literature Survey, International Institute of Applied System
Analysis, Laxenburg, Austria, Interim Report IR-98-021/May
AEA Association of European Airlines, Yearbook 2003:http://www.aea.be

/aeawebsite/datafiles/yearbook03.pdf
Ageeva, Y. (2000): Approaches to Incorporating Robustness into Airline

Schedule, Massachusetts Institute of Technology, August 2000, Master The-
sis
Ahuja, R.K. / Magnanti, T.L. / Orlin, J.B. (1993): Network flows, theory, al-
gorithms, and applications. Englewood Cliffs: Prentice Hall, 1993
Airports International (2000): Frustration saver from FMT. In: Airports Inter-
national, Vol. 33, Nr. 6. S. 14
Airline Business (2000): Airline Survey, in: Reed Business Information UK,
Airline Business, Sutton
Anbil, R. / Gelman, E. / Patty, B. (1991): Recent Advances in Crew-Pairing

Optimization at American Airlines, Interfaces, 21, S. 62-74
Anbil, R. / Tanga, R. / Johnson, E.L. (1992): A global approach to crew pair-

ing optimization, IBM Systems Journal, 31, March 1992
Aykin, T. (1988): On the Location of Hub Facilities, Transportation Science,

22 (2), 1988, S. 155-157
Barnhart, C. / Bratu, S. (2001): National Trends in Airline Flight Delays and

Cancellations, and the Impact of Passengers, Workshop on Airline and Na-
tional Strategies for Dealing with Airport and Airspace Congestion, College
Park, University of Maryland, March 15-16, 2001
244 Literaturverzeichnis
Barnhart, C. / Boland, N. / Clarke, L. W. (1998): Flight String Models for Air-

craft Fleeting and Routing, Transportation Science, Focused Issue on Airline
Optimization, Vol. 32, No. 3, S. 208-220 URL: www.isye.gatech.edu/research/
files/lec9701.pdf
Barnhart, C. / Johnson, E. / Anbil, R. et al. (1994): A Column Generation

Technique for the Long-Haul Crew Assignment Problem, Optimization in In-
dustry - Volume 2, Mathematical Programming and Modeling Techniques in
Practice, S. 7-24, Ciriani, T. A. and Leachman, R. (Hrsg), John Wiley & Sons,
Ltd., 1994
Barnhart, C. / Johnson, E. / Nemhauser, M. et al. (1998): Branch-and-Price:

Column Generation for Solving Integer Programs, Operations Research, 46,
S. 316-329
Bartak, R. (2000): A Slot Representation of the Resource-Centric Models for

Scheduling Problems, Proceedings of ERCIM Working Group on Con-
straints/CompulogNet Area on "Constraint Programming" Workshop, Padova,
19-21 June 2000
Ben-Akiva, M. / Bierlaire, M. (1999): Discrete Choice Methods and Their

Applications to Short Term Travel Decisions, in: R. Hall. (Hrsg.), Handbook of
Transportation Science, International Series in Operations Research and
Management Science, Vol. 23, Kluwer
Berry, S. T. (1990): Airport Presence as Product Differentiation, American

Economic Review, Papers and Proceedings, Vol. 80 (March 1990), S. 394-
399
Berster, P. (1996): Satellitenflughäfen als mögliche Lösung der Kapazitäts-

probleme internationaler Verkehrsflughäfen, Dissertationsschrift, Philosophi-
sche Fakultät der Rheinisch-Westfälischen Technischen Hochschule Aachen
Beyen R. K. / Herbert, J. (1991): Deregulierung des amerikanischen und

EG-europäischen Luftverkehrs, Hamburg, Deutscher Verkehrs-Verlag
Bhadra, D. / Gentry, J. / Hogan, B. (2003): Building a Timetable from Bot-

tom-Up Demand: A Micro-Econometric Approach, MITRE Corporation's Cen-
Literaturverzeichnis 245
ter for Advanced Aviation System Development, MITRE Technical Papers,

May 2003
Bian, F. / Burke, E.K. / Jain, S. et al. (2003): Making airline schedules more
robust, Proceedings of 1st Multidisciplinary International Conference on
Scheduling: Theory and Applications, Nottingham, UK, 13-16 Aug 2003, ISBN:
0-9545821-2-8, pp 678-693, www.cs.nott.ac.uk/~gxk/papers/mista2003air.pdf
Bierlaire, M. (1995): Mathematical Models for transportation demand analy-

sis, Doctoral Dissertation at Facultés Universitaires Notre-Dame de la Paix de
Namur, Faculté des Sciences Département de Mathématique.
Bierlaire, M. (1997): Discrete Choice Models, Intelligent Transportation Sys-

tems Program, Massachusetts Institute of Technology, URL:
http://web.mit.edu/mbi/www/michel.html
Biermann, T. (1985): Die Bedeutung der sechsten Freiheit für den Wettbe-
werb im Luftverkehr, Düsseldorf, Verkehrs-Verlag Fischer
Bilgic, T. / Türksen, I. (1995): Measurement of Membership Functions:

Theoretical and Empirical Work, Handbook of Fuzzy Sets and Systems, Vol.
1, Fundamentals of Fuzzy Sets
Birge, J. R. / Louveaux, F. (1997): Introduction to stochastic programming, ,

New York, Berlin, Heidelberg, Springer.
Blanton, L. / Wainwright, R. (1993): Multiple vehicle routing with time and

capacity constraints using genetic algorithm, Proceedings of the Fifth Interna-
tional Conference on Genetic Algorithms, S. 452-459
Boberg, K. B. / Collison, F. M. (1989): Airline Competition, in: Witt, S.F./

Moutino, L. (Hrsg.): Tourism, Marketing and Management Handbook; Cam-
bridge, S. 1-4
Bolduc, D. / Ben-Akiva, M. (1991): A Multinominal Formulation for Large

Choice Sets, 6th International Conference on Travel Behaviour, S. 224-258
Bolduc, D. (1992): Generalized Autoregessive Errors in the Multinominal

Probit Model, Transportation Research B, 26B, S. 155-170
Bommert, K. (1999): Das multinominale Probitmodell – Identifikation und

Monte-Carlo-Simulationsmethoden zur Schätzung multinominaler Probitmo-
delle, Josef Eul Verlag, Lohmar
Booz-Allen & Hamilton (2001): Punctuality: How airlines can improve on-
time performance. URL: www.boozallen.de/content/downloads/viewpoints/
5K_aero_punctuality.pdf
Börsch-Supan, A. (1987): Lecture Notes in Economics and Mathematical

Systems, Econometric Analysis of Discrete Choice – with Applications on the
Demand for Housing in the U.S. and West-Germany, Springer, Berlin, Hei-
delberg, New York
Bortolan, G. / Degani, R. (1985): A Review of Some Methods for Ranking

Fuzzy Subsets, Fuzzy Sets and Systems 15, S. 1-19
Bräysy, O. (2001): Genetic Algorithms for the Vehicle Routing Problem with
Time Windows, Dept. of Mathematics and Statistics, University of Vaasa,
Finland, Arpakannus 01/2001, Special Issue on Bioinformatics and Genetic
Algorithms
Brusoni, V. / Console, L.. / Lamma, E. et al. (1996): Resource-based vs.

Task-based Appoaches for Scheduling Problems, Proceedings of the 9th
ISMIS96, LNCS Series, Berlin, Springer
Burton, J. / Hanlon, P. (1994): Airline Alliances: Cooperating to Compete?,

Journal of Air Transport Management (1), S. 209-228
Bunse, T. (2000): Kundenzufriedenheit und Wartezeiten – Eine empirische

Analyse für den Luftverkehr, Inauguraldissertation an der Albert-Ludwigs-
Universität Freiburg i. Brgs.
Cao, J. / Kafanani, A. (1997): Real-time Decision Support for Integration of

Airline Flight Cancellations and Delays, Part I: Mathematical Formulation,
Transportation Planning and Technology 20, S. 183-199
Carey, M. (1994): Reliability of interconnected scheduled services, European

Journal of Operational Research 79 (1994), S. 51-72
Carey, M. (1998): Optimizing scheduled times, allowing for behavioural re-

sponse, Transportation Research, Volume 32, No. 5, S. 329-342
Carey, M. / Carville, S. (2000): Testing schedule performance and reliability

for train stations. Journal of the Operational Research Society 51 (6), S. 666-
682, June 2000
Carey, M. (1999): Ex ante heuristic measures of schedule reliability, Trans-

portation Research Part B, Volume 33, Issue 7, September 1999, S. 473-494
Ceder, A. / Tal, O. (1999): Timetable Synchronization for Buses. In: N.H.M.

Wilson (ed.), Computer-Aided Transport Scheduling, Heidelberg, Springer, S.
245–258.
Ceder, A. (2001): Public Transport Scheduling, in Handbooks in Transport

Handbook 3: Transport Systems and Traffic Control, Hensher, D. and Button,
K.(Hrsg), Pergamon Imprint, Elsevier Science Ltd Pub. S. 539-558
Chiang, W.-C. / Russel, R. A (1997): A reactive tabu search metaheuristic

for the vehicle routing problem with time windows, INFORMS Journal on
Computing, Vol. 9, S. 417-430
Civanlar, R. / Trussel, H. (1986): Constructing Membership Functions Using

Statistical Data, Fuzzy Sets and Systems 18 (1986), S. 1-13
Citrenbaum, D. / Juliano, R. (1999): A Simplified Approach to Baselining

Delays and Delay Costs for the National Airspace System (NAS), Federal
Aviation Administration, Operations Research and Analysis Branch
Clark, C. (1961): The Greatest of a Finite Set of Random Variables, Opera-

tions Research, Vol. 9., S. 145-162
Clarke, L. / Johnson, E. / Nemhauser, G. et al (1996): Aircraft Rotation

Problem, Annals of Operations Research 69, 1996, S. 33-46
Clarke, M. D. D. (1995): Solving the Problem of Irregular Airline Operations,

Presented at INFORMS New Orleans Fall 1995, Meeting Airline Operations
Planning Control, Section on Aviation Applications, October 30, 1995
Clarke, M. D. D. (1997a): Irregular Airline Operations – A Review of State-of-

Practice in Airline Operations Control Centers, Journal of Air Transportation
Management, October 1997
Clarke, M. D. D. (1997b): The Airline Schedule Recovery Problem, Working

Paper, Massachusetts Institute of Technology, International Center for Air
Transportation, URL: http://web.mit.edu/heart/Public/www/wp2.pdf
Cohn, A. M. / Barnhart, C. (2000): Robust Airline Planning, Massachusetts

Institute of Technology, Final Report 9/1/98-9/30/99, URL: web.mit.edu/ctl/
www/research/utc/Barnhart%20MITR11-1.pdf
Cornelius S. (1994): Zur effizienten Allokation knapper Ressourcen: Das

Beispiel der Vergabe von Start- und Landerechten an überlasteten Flughäfen
in den USA, München: VVF
Cordeau, J. / Desaulniers, G. / Desrosiers, J. et al. (2000): The VRP with

Time Windows, Technical Report, GERAD, G-99-13, URL: neo.lcc.uma.es/
radi-aeb/WebVRP/data/articles/VRPTW.ps
Cornelissen, A. / Van den Berg, J. / Koops, W. et al. (2002): Eliciting Ex-

pert Knowledge for Fuzzy Evaluation of Agricultural Production Systems,
ERIM Report Series Research in Management, Reference No: ERS-2002-
108-LIS, URL: www.eur.nl/WebDOC/doc/erim/erimrs20021125180137.pdf
Dantzig, G.B. / Wolfe, P. (1960): Decomposition Principle for Linear Pro-

grams, Operations Research, 8(1), S. 101-111
de Palma, A. / Lindsey, R. (2000): Optimal Timetables for Public Transporta-

tion, THEMA-TT&R, Universitè der Cergy-Pontoise, France
de Palma, A. / Fontan, C. / Mekkaoui, O. (2000): Trip Timing for Public

Transportation: An Empirical Application, THEMA-TT&R, Universitè der Cer-
gy-Pontoise, France, URL: http://ideas.repec.org/p/ema/worpap/2000-19.html
Dempsey, P. S. (1990): Flying Blind: The Failure of Airline Deregulation,

Washington, Economic Policy Institute, March 1990, ISBN: 0944826237
Desaulniers, G. / Desrosiers, J. / Dumas, Y. et al. (1997): Daily Aircraft

Routing and Scheduling, Management Science, 43 (6), S. 841-855
Desrochers, M. / Desrosiers, J. / Solomon, M. (1992): A New Optimization

Algorithm for the Vehicle Routing Problem with Time Windows, Operations
Research 40(2), S. 342-354
Dombi, J. (1990): Membership function as an evaluation, Fuzzy Sets and

Systems 35, S. 1-22
Domschke, W. / Klein, R. / Scholl, A. (1996): Tabu-Search – eine intelligen-

te Lösungsstrategie für komplexe Optimierungsprobleme, Technische Hoch-
schule Darmstadt
Döring, T. (1999): Airline-Netzwerk-Management aus kybernetischer Per-

spektive, Bern, Stuttgart, Wien, Haupt-Verlag
Dubois, D. / Prade, H. (1982): A Unifying View of Comparison Indices in a

Fuzzy Set-Theoretic Framework, in Yager, R. R. (Hrsg.): Fuzzy Sets and
Possibility Theory. Recent Developments, New York, Pergamon Press, S. 3-
13
Dubois, D. / Prade, H. (1983): Ranking Fuzzy Numbers in the Setting of

Possibility Theory, Information Sciences 30 (1983), S. 183-224
Dubois, D. / Prade, H. (1986): Fuzzy sets and statistical data, European

Journal of Operational Research 25 (1986), S. 345-356
Dubois, D. / Prade, H. (1989): Fuzzy sets, probability and measurement,

European Journal of Operational Research 40 (1989), S. 135-154
Dubois, D. / Prade, H. / Sandri, S. (1993): On Possibility/Probability Trans-

formations, in: Fuzzy Logic, Lowen R. / Roubens, M. (Hrsg.), Dordrecht, Hol-
land, Kluwer Academic Publishers, S. 103-112
Elce, I. (1970): The Development and Implementation of Air Canada's Long

Range Planning Model, AGIFORS Symposium Proceedings, 10, 1970
Ekenbäck, A. (1995): Optimal Crew Groups: A Column Generation Heuristics

for a Combinatorical Optimization Problem, Ph.D. dissertation at the Royal
Institute of Technology, Dept. of Numerical Analysis and Computer Science,
Stockholm, Sweden
Erdmann, A. (1999): Combinatorical optimization problems arising in the air-

line industry, Dissertationsschrift, Köln
Etschmaier, M.M. (1970): Schedule Construction and Evaluation for Short

and Medium Range Corporate Planning, AGIFORS Symposium Proceedings,
10, 1970
Etschmaier, M.M. (1977): A Survey of the Scheduling Methodology Used in

Air Transportation, in: Genser, R. / Stobel, M. / Etschmaier, M. M. (eds.) Op-
timization Applied to Transportation Systems, Vienna, IIASA, 1977
Eurocontrol (1999): Special Performance Review Report on Delays (Janu-

ary-September 1999), PRR 2. Brüssel, http://www.eurocontrol.be/prc/in-
dex.html, Link „Publications“, Link „Special Report on Delays 1999
Eurocontrol CFMU Jahresbericht 2003: ATFM Summary 2003,

http://www.cfmu.eurocontrol.be/ATFM/public/docs/publicreport_2003year.pdf
Eurocontrol Coda Berichte (1997-2003): http://www.eurocontrol.int/dgs/ac-

tivities/coda/reports/
Eurocontrol (2004): Delays to air transport in Europe: Annual report 2004,

http://www.eurocontrol.int/eCoda/codarep/2004/annual_report_2004_full.pdf
Evans, A. D. / Clarke J.-P. B. (2002): Responses to Airport Delays – A Sys-

tem Study of Newark International Airport, MIT International Center for Air
Transportation, Report No. ICAT-2002-5, June 2002, URL: http://icat-
server.mit.edu/Library/fullRecord.cgi?idDoc=117
Fang, H.-L. (1994): Genetic Algorithms in Timetabling and Scheduling, Ph.D.

Dissertation, Department of Artificial Intelligence, University of Edinburgh
Federal Aviation Administration (FAA) (1995): Total Costs of Air Carrier

Delay for the Years 1987-1994, Office of Aviation Policy and Plans
Fleps, H. (2003): Alternative Verfahren der Schätzung und Gütebeurteilung

von Marktanteilsmodellen anhand ausgewählter Konsumgütergruppen, ibi-
dem-Verlag, Stuttgart
Fortemps, P. / Roubens, M. (1996): Ranking and defuzzification methods

based on area compensation, Fuzzy Sets and Systems 82, S. 319-330
Gallacher, J. (1998): Hold your horses, in: Airline Business, 6, S. 42-81
Gagnon, G. (1967): A Model for Flowing Passengers Over Airline Networks,

AGIFORS Symposium Proceedings, 7, 1967
Geisinger, K. (1988): Airline Delay: 1976-1996, Federal Aviation Administra-

tion, Office of Aviation Policy and Plans
Gellmann, A.J. (1990): Deregulation: The Dos and Dont's, in: Airline Busi-
ness, 3/1990, S. 53 – 57
Gershkoff, I. (1989): Optimizing Flight Crew Schedules, Interfaces, 19, 4
Gertsbakh, I. / Serafini, P. (1991): Periodic Transportation Schedules with

Flexible Departure Times, European Journal of Operational Research 50, S.
298-309
Ghobrian, A. / Kanafani, A. (1985): Airline Hubbing: Some Implications for

Airport Economics, Transportation Research, 19A, S. 15-27
Gillen, D. / Hansen, M. M. / Djafarian-Tehrani, R. (2001): Aviation Infra-

structure Performance and Airline Cost: A Statistical Cost Estimation Ap-
proach, Transportation Research E, Vol. 37, S. 1-23
Glover, F. (1986): Future paths for integer programming and links to artificial
intelligence, Computers and Operation Research, 13, S. 533-549
Glover, F. (1990): Artificial Intelligence, Heuristic Frameworks and Tabu

Search, Managerial and Decision Economics, 11 (5), Special Issue: Decision
Sciences Perspectives (Dec. 1990), S. 365-375
Grosche, T. / Rothlauf, F. / Heinzl, A. (2003): Simultane Erstellung von

Flugplänen mit Genetischen Algorithmen – Konzeptioneller Planungsansatz
und Entwicklung eines Prototypen, Working Paper 8, 2003, Universität
Mannheim, Department of Information Systems 1, URL: www.bwl.uni-
mannheim.de/wifo1/publications/working_paper_2003_8.pdf
Golden B.L./ Assad A./ Levy L./ Gheysens F. (1984): The fleet size and mix
vehicle routing problem, Computers and Operations Research, Vol. 11, S. 49-
66
Grammig, J. / Hujer, R. / Scheidler, M. (2002): The Econometrics of Airline

Network Management, Journal of Applied Econometrics, forthcoming
Hallowell, S.F. / Harker, P.T. (1998): Predicting on-time performance in

scheduled railroad operations: methodology and applications to train schedul-
ing, Transportation Research 32A (4), S. 279-295
Hanafi, S. (2000): On the Convergence of Tabu Search, Journal of Heuristics,

Vol. 7, S. 47-58
Hane, C. A. / Barnhart, C. / Johnson, E. L. et al. (1995): The Fleet Assign-

ment Problem: Solving a Large-Scale Integer Program, Mathematical Pro-
gramming, 70, 1995, S. 211-232
Hanlon, P. (1996): Global Airlines: Competition in a Transnational Industry,

Oxford, ISBN: 0750619279, Butterworth-Heinemann
Hansen, M. (1988): A Model of Airline Hub Competition, University of Califor-

nia, Berkley, Institute of Transportation Studies, Dissertation Series 88-2,
Berkley, CA
Heinitz, F. (1998): Methodological Development within the Quasi-Direct For-

mat Demand Structure: the Multicountry Application for Passengers, F.
Heinitz BETA n9815, September 1998
Hille, R. (1988): Entwicklung und Bestimmungsfaktoren des Luftverkehrs im

Konjunkturverlauf, Dissertationsschrift, Technische Hochschule Darmstadt
Hisdal, E. (1988): Are Grades of Membership Probabilities?, Fuzzy Sets and

Systems 25 (1988), S. 325-348
Hüe, X. (1997): Genetic Algorithms for Optimisation: Background and Appli-

cations, Edinburgh Parallel Computing Center, University of Edinburgh, URL:
http://www.epcc.ed.ac.uk/epcc-tec/documents/
Hunziker, H.-J. (1983): Strategische Planung und Politik im Luftverkehr, Bern,

Stuttgart, Haupt Verlag
Iasvoine, L. (2000): Der Einsatz des Generalized Autoregressive Probit Mo-

dells zur Prognose von Marktanteilen in der Luftfahrt-Industrie – Modellierung
und Empirische Analyse, Diplomarbeit am Institut für Statistik und Ökono-
metrie, Fachbereich Wirtschaftswissenschaften, Universität Frankfurt
IATA (2004): World Air Transport Statistics, 48th Edition, Published 2004 in
cooperation with ICAO, Montreal-Geneva
Institut du Transport Aérien (ITA) (2000): Costs of Air Transportation Delay

in Europe, Final Report, November 2000, URL: www.eurocontrol.int/prc/gal-
lery/content/public/Docs/stu2.pdf
Inuiguchi, M. / Tanino, T. / Sakawa, M. (2000): Membership Function Elici-

tation in Possibilistic Programming Problems, Fuzzy Sets and Systems 111
(2000), S. 29-45
Ioachim, I. / Desrosiers, J. / Soumis, F. et al. (1999): Fleet assignment and

routing with schedule synchronization constrains, European Journal of Opera-
tional Research, 119 (1999), S. 75-90
Jäckel, K. (1991): Kooperationsstrategien im Luftlinienverkehr vor dem Hin-

tergrund zunehmender Integrationsentwicklung in Europa, Bergisch Glad-
bach/Köln
Jaillet, P. / Song, G. / Yu, G. (1997): Airline Network Design and Hub Loca-
tion Problems, Location Science, 4,3, 1997, S. 195-212
Jaillet, P. / Song, G. / Yu, G. (1994): Networking Design Problems with Ap-

plications to the Airline Industry, Proceedings for TRISTAN II, Capri, Italy
Jarrah, A. et al. (1993): A Decision Support Network for Airline Flight Cancel-
lations and Delays, Transportation Science 27 (3), S. 266-280
Jauffred, F. J. (1997): Stochastic Optimization for Robust Planning in Trans-

portation, Massachusetts Institute of Technology, Department of Civil and
Environmental Engineering, PhD Thesis
Kabbani, N.M. / Patty, B.W. (1992): Aircraft Routing at American Airlines,

Proceedings of 32nd AGIFORS Symposium, 1995, Budapest, Hungary
Kallrath, J. (2002): Gemischt-ganzzahlige Optimierung: Modellierung in der

Praxis, Vieweg, Braunschweig, Wiesbaden
Kaspar, C. (1977): Verkehrswirtschaftslehre im Grundriss, Bern / Stuttgart,

Haupt-Verlag
Kehr, J. (1995): Rechnergestützte Projektplanung mit unscharfen Angaben in

der Auftragsabwicklung, Dissertationsschrift, Fachbereich Maschinenbau der
Universität der Bundeswehr Hamburg
Keuper, F. (1999): Fuzzy-PPS-Systeme. Einsatzmöglichkeiten und Erfolgs-

potentiale der Theorie unscharfer Mengen, Deutscher Universitätsverlag,
Wiesbaden
Klabjan, D. / Schaefer, A. J. et al. (2001): Robust Airline Crew Scheduling,

Proceedings of TRISTAN IV, Sao Miguel, Portugal, S. 275-280, June 2001
Klemt, W.D. / W. Stemme (1988): Schedule Synchronization for Public Tran-

sit Networks. In: J.R. Daduna and A. Wren (eds.), Computer-Aided Transit
Scheduling, New York, Springer, S. 327–335.
Klingenberg, C. (2004): MIT Conference "Winds of Change – The Airline In-

dustry in 2004", Washington D. C., April 15, 2004
Knauer, S. (2002): Neue heuristische Methoden zur Optimierung des Ferti-

gungsablaufs, Logos Verlag, Berlin
Knorren Nichols, W./ Kunz, M. (1999): Hubbing on time, in Airline Business,

August 1999, S. 62-64
Knorren Nichols, W. / Richter G. (2000): Stick to Your Schedule: Punctual-

ity and Schedule Reliability – The Make-or-Break Factor of Airline Perform-
ance, in Handbook of Airline Operations, New York, McGraw-Hill, S. 325-336
Kohl, N. / Karisch, S. (1992): Airline Crew Rostering: Problem Types, Model-

ling and Optimization, Annals of Operations Research, 127, Kluwer Academic
Publishers, S. 223-257
Kostiuk, P. (2001): The Impact of Airport Delay on Airline Costs, Technology

Assessment, Logistics Management Institute
Krahn, H. (1994): Markteintrittsbarrieren auf dem deregulierten US-

amerikanischen Luftverkehrsmarkt – Schlussfolgerungen für die Luftver-
kehrspolitik der Europäischen Gemeinschaft, Frankfurt, Peter Lang
Kroes, E.P. / Sheldon, R.J. (1988): Air traffic predictions for Manchester In-
ternational Airport Authority – Stated preference methods, in: Journal of
Transport economics and policy, January, 1988
Kushige, T. (1963): A Solution of Most Profitable Aircraft Routing, AGIFORS

Symposium Proceedings, 3. 1963
Kyle III, R. / Phillips, L. T. (1985): Airline Deregulation: Did Economists

Promise Too Much or Too Little?, Logistics and Transportation Review, Vol.
21. (March 1985), S. 3-25
Labombarda, P. / Nicoletti, B. (1971): Aircraft Rotations by Computer,

AGIFORS Proceedings, 3, 1971
Lan, S. / Barnhart, C. / Clarke, J.-P. (2002): New Approaches to Add Ro-

bustness into Airline Schedules, Center for Transportation and Logistics,
Massachusetts Institute of Technology, May 5, 2002
Larsen, J. (1999): Vehicle Routing with Time Windows – finding optimal solu-
tions efficiently, DORSnyt (newsletter of the Danish OR society), 116 (1999),
URL: http://www.imm.dtu.dk/%7Ejla/dorsart.ps
Lederer P.J. /Ramakrishnan, S. / Nambimadom, S. (1998): Airline Network

Design, Operations Research 46, 6, S. 785-804
Lee, L. H. / Huang, H.C. / Lee, C. et al. (2003): Discrete Simulation Model

For Airline Operations: SimAir, Proceedings of the 2003 Winter Simulation
Conference, S. Chick, P. J. Sánchez, D. Ferrin, and D. J. Morrice, eds.
Leibold, K. (2001): Optimierung von Flugplänen. Anwendung quantitativer

Methoden im Luftverkehr, Wiesbaden, DUV
Leonard, W. N. (1983): Airline Deregulation: Grand Design or Gross Deba-

cle?, Economic Issues, Vol. 17 (June 1983), S. 453-462
Levin, A. (1971): Scheduling and Fleet Routing Models for Transportation

Systems, Transportation Science 1971 (5), S. 232-255
Lindner, T. (2000): Train Schedule Optimization in Public Rail Transport,

Dissertationsschrift, Fachbereich für Mathematik und Informatik der Techni-
schen Universität Braunschweig
Liou, T.S. / Wang, M.J.J. (1992): Ranking fuzzy numbers, Fuzzy Sets and
Systems (1992), S. 247-255
Litoiu, M. / Tadei, R. (2001): Real-time task scheduling with fuzzy deadlines

and processing times, Fuzzy Sets and Systems 117 (2001), S. 35-45
Loughran, B.P. (1972): An Airline Schedule Construction Model, AGIFORS

Proceedings, 12, 1972
Lübbecke, M. (2001): Engine Scheduling By Column Generation, Dissertati-

onsschrift, Fachbereich für Mathematik und Informatik der Technischen Uni-
versität Braunschweig
Lufthanseat (2003): Grüne Welle in Frankfurt – Lufthansa und Fraport ver-

ständigen sich auf Depeaking, 28. November 2003 /1016
Lüking, Jöst (1993): Angebotsplanung und Fluggastverhalten im überlaste-

ten Luftverkehrssystem, Bern, Peter Lang
Maier, G. / Weiss, P. (1990): Modelle diskreter Entscheidungen – Theorie

und Anwendung in den Sozial- und Wirtschaftswissenschaften, Wien, New
York, Springer
Malditus, J. (1997): The airlines – the third revolution, in: Butler, G./Keller, M.
R. (Hrsg.): Handbook of Airline Marketing, New York, McGraw Hill, S. 443-
459
Mammitzsch, V. (1999): Fuzzy Theorie als Alternative zur Stochastik – Was

heißt hier: Eine Alternative?, in: Seising, R. (Hrsg.), Fuzzy Theorie und Sto-
chastik. Modelle und Anwendungen in der Diskussion, Braunschweig, Vieweg
Verlag, S. 239-243
Marti, K. (Hrsg.) (2002): Stochastic optimization techniques: numerical

methods and technical applications, Berlin, Heidelberg, New York, Springer
Mashford, J.S. / Marksjö, B.S. (2002): Airline Base Schedule Optimisation

by Flight Network Annealing, Annals of Operations Research 108, Kluwer
Academic Publishers, Netherlands, S. 293-313
Mathaisel, D. (1996): Decision Support for Airline System Operations Control

and Irregular Operations, Computer and Operations Research 23 (11), S.
1083-1098
Maurer, P. (2002): Luftverkehrsmanagement, München, Wien, Oldenbourg
McKenna, J. T. (1999): Despite claims costs of delay are unproven. In: Avia-
tion Week & Space Technology, Vol. 151, Nr. 17, S. 70-72
Mederer, M. / Frank, M. (2002): Increasing Robustness of Flight Schedules

thought Stochastic Modeling of Planning Parameters, AGIFORS Airline Op-
erations, May 20-24, 2002
Megaglia, A. / Shu-Cherng, F. / Nuttle, H. et al. (2002): An efficient and

flexible mechanism for constructing membership functions, European Journal
of Operational Research 139 (2002), S. 84-95
Meineke H. (1975): Tarife der IATA in kartellrechtlicher Sicht, Dissertations-

schrift, Universität Göttingen, Juristische Fakultät
Mekkaoui, O. / de Palma, A. / Lindsey, R. (2000): Optimal Bus Timetables

and Trip Timing Preferences, THEMA-TT&R, Universitè der Cergy-Pontoise,
France
Miller, R. (1967): An Optimization Model for Transportation Planning, Trans-

portation Research, 1, S. 271-286
Morin, M. (2001): Metrics and Methods for Improving Airline Schedule Reli-
ability, Massachusetts Institute of Technology, September 2001, Master The-
sis
Morrison, S. A. / Winston C. (1986), The Economic Effects of Airline De-

regulation, Washington, D.C., Brookings Institution, 1986
Müller-Merbach, H. (1973): Operations Research. Methoden und Modelle

der Optimalplanung, München, Verlag Franz Vahlen
Neubauer, W. (1994): Statistische Methoden – ausgewählte Kapitel für Wirt-

schaftswissenschaftler, München, Oldenbourg
Nilim, A. / El Ghaoui, L. / Vu, D.: Robust Dynamic Routing of Aircraft under

Uncertainty, Research supported by Eurocontrol -014692 and DARPA-
F3361501 C-3150
Noltemeier, A. (2001): Modelle und Lösungsverfahren zur Generierung von

Flugplänen, Aachen, Shaker Verlag
O'Connor, W. E. (1985): An Introduction to Airline Economics, New York,

Praeger Publishers
Odoni, A. (1995): Research Directions for Improving Air Traffic Management

Efficiency, Argo Research Corporation
Ohse, D. (1998): Quantitative Methoden in der Betriebswirtschaftslehre,

München, Verlag Vahlen
O'Kelly, M.E. (1986): The Location of Interacting Hub Facilities, Transporta-

tion Science, 20 (2), 1986, S. 92-106
O'Kelly, M.E. (1987): A Quadratic Integer Program for the Location of Inter-
acting Hub Facilities, European Journal of Operational Research, 32, 1987, S.
393-404
Osman, I. (1993): Metastrategy simulated annealing and tabu search algo-

rithms for the vehicle routing problems, Annals of Operations Research, 41, S.
421-452
Ott, N. (2000): Unsicherheit, Unschärfe und rationales Entscheiden: Die An-

wendungen von Fuzzy-Methoden in der Entscheidungstheorie, Heidelberg,
Physica-Verlag
Oum, T. / Park J. / Zhang A. (1996): The Effect of Airline Codesharing

Agreements on Firm Conduct and International Air Fares, in: Journal of
Transport Economics and Policy, May 1996
Pedrycz, W. (1993): Why triangular membership functions?, Fuzzy Sets and

Systems 64 (1994), S. 21-30
Pham D. / Karaboga, D. (2000): Intelligent Optimisation Techniques: Genetic

Algorithms, Tabu Search, Simulated Annealing and Neural Networks, London,
Springer
Phillips, L. T. (1985): Structural Change in the Airline Industry: Carrier Con-

centration at Large Hub Airports and its Implications for Competitive Behavior,
Transportation Journal (Winter 1985), S. 18-28
Phillips, R. / Boyd D., (1989): An integrated approach to airline fleet and

schedule planning, Proceedings 29th AGIFORS Symposium, Bymose Hegn,
Denmark, September 1989
Pompl, W. (1991): Luftverkehr: Eine ökonomische Einführung, Berlin, Sprin-

ger
Pompl, W. (1998): Luftverkehr: Eine ökonomische und politische Einführung,

Berlin, Springer
Potvin, J.-Y. / Bengio, S. (1996): The Vehicle Routing Problem with Time
Windows – Part II Genetic Search, INFORMS Journal of Computing 8, S.
165-172
Potvin, J.-Y. / Kervahut, T. / Garcia, B. (1996): The Vehicle Routing Prob-

lem with Time Windows – part I: Tabu Search, INFORMS Journal of Comput-
ing, 8 (2), S. 158-164
Proussaloglou, K. / Koppelman, F.S (1999): The choice of air carrier, flight

and fare class, in: Journal of Air Transport Management, October 1999
Pudney, S. (1989): Modelling individual choice: The econometrics of corners,

links and holes, Blackwell Publishers, Oxford, ISBN 1557862974
Rabetge, C. (1991): Fuzzy Sets in der Netzplantechnik, Deutscher Universi-

tätsverlag, Wiesbaden
Rakowski J. P. (1990): Marketing Myopia Meets Marketing Economies: Un-

expected Results of U.S. Airline and Trucking Deregulation, Transportation
Quarterly, Vol. 44 (October 1990), S. 499 – 516
Rexing, B. / Barnhart, C. / Kniker, T. et al. (2000): Airline Fleet Assignment

with Time Windows, Transportation Science, 34 (1), S. 1-20
Reynolds-Feighan, A.J. (1992): The Effects of Deregulation on U.S. Air

Networks, Berlin, Heidelberg, Springer-Verlag
Richardson, R. (1976): An Optimization Approach to Routing Aircraft, Trans-

portation Science, 10, 1976, S. 52-71
Roland Berger Strategy Consultants (1999): Internes Know-how-Papier,

Frankfurt, unveröffentlicht





Rommelfanger, H. (1986): Rangordnungsverfahren für unscharfe Mengen.

Ein kritischer Vergleich für unscharfe Mengen, OR-Spektrum 8, S. 219-228
Rommelfanger, H. (2002): Fuzzy Decision Support-Systeme: Entscheiden

bei Unschärfe, Berlin Heidelberg, New York London, Springer
Rousseau, L-M. / Gendreau, M. / Pesant, G. et al. (2004): Solving VRPTWs

with Constrained Programming Based Column Generation, Annals of Opera-
tions Research 130, Kluwer Academic Publishers, Netherlands, S. 199-216
Rosenberger, J. M. / Schaefer, A. J. / Goldsman, D. et al. (2001): A Sto-

chastic Model for Airline Operations, Technical Report TLI/LEC-00-06, Geor-
gia Institute of Technology
Rushmeier, R. A. / Hoffman, K. L. / Padberg, M. (1995): Recent Advances

in Exact Optimization of Airline Scheduling Problems, Working Paper, URL:
iris.gmu.edu/~khoffman/papers/fleetsched.ps
Salzborn, F. (1980): Scheduling Bus Systems with Interchanges, Transporta-

tion Science 14(3), S. 211-220
Sauter-Servaes, T. / Rammler, S. (2000): Delaytainment an Flughäfen, Die

Notwendigkeit eines Verspätungsservices und erste Gestaltungsideen, Veröf-
fentlichung der Abteilung "Organisation und Technikgenese" des For-
schungsschwerpunktes Technik-Arbeit-Umwelt am Wissenschaftszentrum
Berlin für Sozialforschung GmbH (WZB)
Savelsberg, M. (1997): A Branch-and-Price Algorithms for the Generalized

Assignment Problem, Operations Research, 45 (6), S. 831-841
Schaefer, A., J. et al. (2003): Airline Crew Scheduling under Uncertainty,

Department of Industrial Engineering, University of Pittsburgh, URL:
www.ie.pitt.edu/~schaefer/Papers/UncertainCrewSched.pdf
Scheidler, M. (2002): Discrete Choice Models for Airline Network Manage-

ment, Idstein, Schulz-Kirchner Verlag
Schmidt, G.H. (1999): Handbuch Airlinemanagement, München, Oldenburg
Schwenk, W. (1995): Handbuch des Luftverkehrsrechts, Köln, Berlin, Bonn,

München, Heymann
Shavell, Z. A. (2000): The Effects of Schedule Disruptions on the Economics

of Airline Operations, 3rd USA/Europe Air Traffic Management R&D Seminar,
Napoli, 13-16 June 2000
Seligmann, V. (1998): Entwicklung eines exakten Lösungsverfahrens für

Tourenplanungs-Probleme mit Zeitfenstern, Aachen, Shaker Verlag
Semet, F. / Tailard, E. (1993): Solving real-life vehicle routing problems effi-

ciently using tabu search, Annals of Operations Research, Vol. 41, N. 1-4, S.
469-488
Simpson, R.W. (1969): A Review of Scheduling and Routing Models for Air-
line Scheduling, Paper presented at the AGIFORS Meeting, Broadway, Eng-
land, October 1969
Sinncott, J.H / Mac Reynolds, W.K. (1998): "Impact of Air Traffic Manage-
ment on Airspace User Economics Performance", in 2nd USA/Europe Air Traf-
fic Management R&D Seminar, Orlando, December 1998
Smith, Barry C. / Barlow, Jim / Vinod, Ben (1997): Airline planning and
marketing decistion support: A review of current practices and future trends.
In: Butler, G/Keller, M. R. (Hrsg.): Handbook of Airline Marketing, New York:
McGraw Hill, S. 117 – 131
Smithson, M. (1987): Fuzzy set analysis for behavioral and social sciences,
New York Berlin, Heidelberg, Springer
Song, G. (1995): Integer Programming Models for Airline Network Design

Problems, Ph.D. dissertation, Graduate School of Business, University of
Texas at Austin
Soudarovich, J. (1971): Routing Selection and Aircraft Allocation, AGIFORS

Symposium Proceedings, 11, 1971
Soumis, F. / Nagurney A. (1993): A Stochastic, Multiclass Airline Network

Equilibrium Model, Operations Research, 41, 4, S. 721-730
Spies, M. (1993): Unsicheres Wissen. Wahrscheinlichkeit, Fuzzy-Logik, neu-

ronale Netze und menschlisches Denken, Berlin, Oxford, Spektrum Akademi-
scher Verlag
Subramanian, R. / Scheff, R. / Quillian, J. (1994): Coldstart: Fleet Assign-

ment and Delta Air Lines, Interfaces 24, 1 January-February 1994, S. 104-
120
Suhl, L. (1994): Computer aided scheduling: an airline perspective, Wies-

baden, DUV
Sterzenbach, R. (1999): Luftverkehr: betriebswirtschaftliches Lehr- und

Handbuch, Oldenburg
Tailard, E. / Badeau, P. / Gendreau, M. et al. (1997): A tabu search heuristic

for the vehicle routing problem with time windows, Transportation Science
31(2), S. 170-186
Tan, K. / Lee, L. / Zhu, Q. et al. (2001): Heuristic Methods for vehicle routing
problem with time windows, Artificial Engineering, Vol. 15, S. 281-295, 2001a
Thangiah, S. (1995): Vehicle Routing with Time Windows Using Genetic Al-
gorithms, Application Handbook of Genetic Algorithms: New Frontiers, Vol-
ume II. Lance Chambers (Hrsg.), CRC Press, S. 253-277 URL: http://citeseer.
ist.psu.edu/thangiah95vehicle.html
Theodorovic, D. / Guberinic, S. (1984): Optimal Dispatching Strategy on

Airline Network After Schedule Perturbations, European Journal of Opera-
tional Research 15, S. 178-182
Theodorovic, D. / Stojkovic, G. (1990): Model of Operational Daily Airline

Scheduling, Transportation Planning and Technology 14, S. 273-285
Theodorovic, D. / Stojkovic, G. (1995): Model to Reduce Airline Schedule

Disturbances, Journal of Transportation Engineering 121 (4), S. 324-331
Thengvall, B. G. / Bard, J. F. / Yu, G. (2000): Balancing user preferences for

aircraft schedule recovery during irregular operations, IIE Transactions (2000)
Vol. 32, S. 181-193
Transportation Research E-Circular (2002): Aviation Demand Forecasting:

A Survey of Methodologies, Number E-C040, August 2002, ISSN 0097-8515
Trietsch, D. (1993): Scheduling Flights at Hub Airports, Transportation Re-

search 27B (2), S. 133-150
Vance, P. / Barnhart, C. / Johnson E. et al. (1997): Airlines Crew Schedul-

ing: New Formulation and Decomposition Algorithm, Operations Research,
45 (2), 1997, S. 188-200
Verkulien, J. (2001): Measuring Fuzzy Set Membership Functions: Dual

Scaling Approach, Working Paper, Prepared for Presentation at Annual Meet-
ing of APSA, San Francisco, August 30 -September 2, 2001
Volkmann, C. (1989): Theoretische Grundlagen und Anwendung von Pla-

nungssystemen in Luftverkehrsunternehmungen: aufgezeigt am Untersu-
chungsobjekt der Deutschen Lufthansa AG, Dissertationsschrift, Universität
Gießen
Voß, S. (1993): Intelligent Search, Habilitationsschrift, Technische Hochschu-

le Darmstadt, Fachbereich Rechts- und Wirtschaftswissenschaften
Wendt, O. (1995): Tourenplanung durch Einsatz naturologer Verfahren: In-

tegration von Genetischen Algorithmen und Simulated Annealing, Deutscher
Universitätsverlag, Wiesbaden
Wheeler, C. F. (1989): Strategies for Maximizing the Profitability of Airline

Hub-and-Spoke Networks, Transportation Research Record, No. 1214 (1989),
S. 1-9
Wiezorek, B. (1999): Strategien europäischer Fluggesellschaften in einem

liberalisierten Weltluftverkehr, Frankfurt am Main, Peter Lang Verlag
Wildemann, H. (Hrsg.) (2000): Supply Chain Management, Transfer-

Centrum-Verlag, München
Wu, C.-L. (2003): The Influence of Operational Uncertainties on Airline

Schedule Planning and Punctuality Control Issues, Department of Aviation,
University of New South Wells, Sydney
Wu, C.L / Caves, R. E. (2002): Towards optimization of the schedule reliabil-

ity of aircraft rotations, Journal of Air Transport Management 8, S. 419-426
Yan, S. / Tseng, C.H. (2002): A Passenger Demand Model for Airline Flight
Scheduling and Fleet Routing, Computers & Operations Research, 29 (2002),
S. 1559-1581
Yan, S. / Yang, D. (1996): A decision support framework for handling sched-

ule perturbations, Transportation Research, Part B: Methodology 30 (6), S.
405-419
Yao, D. D. (Hrsg.) (2003): Stochastic modeling and optimization: with appli-

cations in queues, finance and supply chains, New York, Berlin, Heidelberg,
Springer
Yen, J. W. (2000): A Stochastic Programming Formulation of the Stochastic

Crew Scheduling Problem, PhD. Dissertation, University of Michigan, Ann Ar-
bor, MI
Yu, G. (1995): An optimization model for airlines' irregular operations control,

Proceedings of the International Symposium on Optimization Applications in
Management and Engineering, Beijing, World Publishing Corporation, Beijing,
S. 421-430
Yu, G. (1996): OR in Airline Industry, Boston, London, Dordrecht, Kluwer

Academic Publisher
Zadeh, L. A. (1965): Fuzzy Sets, in: Information and Controll 8, 1965, S. 338-
353
Zantke, S. (1985): ABC des Luftverkehrs, 5. Auflage, Hamburg, Deutscher

Universitätsverlag
Zils, M. (2001): Modellbasierte und prozeßorientierte Flugplanung: Konzepti-

on, Implementierung und Anwendungspotentiale eines Decision Support Sys-
tems zur Flugplanung in der AirCargo-Industrie, Aachen, Shaker Verlag
Zimmermann, H.-J. / Zysno, P. (1985): Quantifying vagueness in decision

models, European Journal of Operational Research 22, S. 148-154
Zimmermann, H.-J. (1992): Modelle und Methoden des Operations Re-

search: für Ingeniere, Ökonomen und Informatiker, Braunschweig, Wiesba-
den, Vieweg Verlag
Zimmermann, H.-J. (1999): Von Fuzzy Set Theorie zur Computational Intel-
ligence, in: Seising, R. (Hrsg.), Fuzzy Theorie und Stochastik. Modelle und
Anwendungen in der Diskussion, Braunschweig, Vieweg Verlag, S. 161-178
Zimmermann, W. / Stache, U. (2001): Operations Research. Quantitative

Methoden zur Entscheidungsvorbereitung, München, Wien, Oldenbourg
Zhang, Y. / Menendez, M. / Hansen M. (2003): Analysis of De-peaking

Strategies Implemented by American Airlines: Causes and Effects, Depart-
ment of Civil and Environmental Engineering, University of California at Berk-
ley, Nextor Technical Report, URL: www.nextor.org/pubs/RR-03-3.pdf
AUS DER REIHE
Gabler Edition Wissenschaft
„Schriften zum europäischen Management“

Herausgeber: Roland Berger Strategy Consultants –
Academic Network
zuletzt erschienen:
John-Christian Lührs
Strategische Unternehmensführung bei hoher Marktturbulenz
Birgit Kuhles
Interkulturelles Management westlicher Banken in Südostasien
Katrin Vernau
Effektive politisch-administrative Steuerung in Stadtverwaltungen
Mandy Krafczyk
Quality Added Value
Yves Meinhardt
Veränderung von Geschäftsmodellen in dynamischen Industrien
Nicolás Ebhardt
Privatbankiers im Elektronischen Markt
Ulrich H. Krause
Zielvereinbarungen und leistungsorientierte Vergütung
Gregor Tjaden
Erfolgsfaktoren Virtueller Unternehmen
Vatchagan Vartanian
Innovationsleistung und Unternehmenswert
Bernd Hochberger
Financial Planning
Jens-Holger Dodel
Supply Chain Integration
Christian Krys
Erfolgreiche Wettbewerbsstrategien im westeuropäischen GSM-Markt
Ralf Moldenhauer
Krisenbewältigung in der New Economy
Karsten Lafrenz
Shareholder Value-orientierte Sanierung
(Weitere Titel dieser Reihe finden Sie auf der folgenden Seite.)
AUS DER REIHE
Gabler Edition Wissenschaft
(Fortsetzung)
Andreas Luber
Mobile Brokerage
Holger von Daniels
Private Equity Secondary Transactions
Jens Köppen
Synergieermittlung im Vorfeld von Unternehmenszusammenschlüssen
Thomas Kempe
Management wetterinduzierter Risiken in der Energiewirtschaft
Carsten W. Seeliger
Corporate Venturing in der Praxis
Ralph Kudla
Finanzierung in der Sanierung
Tobias Harzer
Investor Relations für Privatanleger
Torsten Schmid
Strategie als Kunst des Möglichen
Ingo Lange
Unternehmenswert und Behavioral Finance in der Insolvenz
Jörg Zirener
Sanierung in der Insolvenz
Verena Reichl
Prospektive Auswirkungen der Kosteneinsparung im Gesundheitswesen
auf Ärzte, Patienten und die Industrie
Markus Strietzel
Unternehmenswachstum durch Internationalisierung in Emerging Markets
Burkhard Schnorrenberg
Zur Preisbildung von Forwardkontrakten im Strommarkt
Leonid Jasvoin
Integration der Unsicherheitsaspekte in die Schedule-Optimierung
www.duv.de Deutscher Universität-Verlag

Änderung vorbehalten. Abraham-Lincoln-Str. 46
Stand: April 2006. 65189 Wiesbaden
Ihr Weg in die Wissenschaft
Der Deutsche Universitäts-Verlag ist ein Unternehmen der GWV

Fachverlage, zu denen auch der Gabler Verlag und der Vieweg Verlag
gehören. Wir publizieren ein umfangreiches wirtschaftswissenschaft-
liches Monografien-Programm aus den Fachgebieten
✓ Betriebswirtschaftslehre
✓ Volkswirtschaftslehre
✓ Wirtschaftsrecht
✓ Wirtschaftspädagogik und
✓ Wirtschaftsinformatik
In enger Kooperation mit unseren Schwesterverlagen wird das Pro-

gramm kontinuierlich ausgebaut und um aktuelle Forschungsarbeiten
erweitert. Dabei wollen wir vor allem jüngeren Wissenschaftlern ein
Forum bieten, ihre Forschungsergebnisse der interessierten Fachöffent-
lichkeit vorzustellen. Unser Verlagsprogramm steht solchen Arbeiten
offen, deren Qualität durch eine sehr gute Note ausgewiesen ist. Jedes
Manuskript wird vom Verlag zusätzlich auf seine Vermarktungschancen
hin geprüft.
Durch die umfassenden Vertriebs- und Marketingaktivitäten einer gro-
ßen Verlagsgruppe erreichen wir die breite Information aller
Fachinstitute, -bibliotheken und -zeitschriften. Den Autoren bieten wir
dabei attraktive Konditionen, die jeweils individuell vertraglich verein-
bart werden.
Besuchen Sie unsere Homepage: www.duv.de
Abraham-Lincoln-Str. 46
D-65189 Wiesbaden

Leonid Jasvoin (Auth.) - Integration Der Unsicherheitsaspekte in Die Schedule-Optimierung_ Empirische Modellierung Unter Anwendung Der Fuzzy-Theorie Am Beispiel Des Luftverkehrs-Deutscher Universitäts

Hochgeladen von

Dokumentinformationen

Copyright

Verfügbare Formate

Dieses Dokument teilen

Dokument teilen oder einbetten

Freigabeoptionen

Stufen Sie dieses Dokument als nützlich ein?

Sind diese Inhalte unangemessen?

Copyright:

Verfügbare Formate

Leonid Jasvoin (Auth.) - Integration Der Unsicherheitsaspekte in Die Schedule-Optimierung_ Empirische Modellierung Unter Anwendung Der Fuzzy-Theorie Am Beispiel Des Luftverkehrs-Deutscher Universitäts

Hochgeladen von

Copyright:

Verfügbare Formate

Leonid Jasvoin

Integration der Unsicherheitsaspekte

Prof. Dr. Thomas Bieger, Universität St. Gallen;

Dr. Burkhard Schwenker, Roland Berger Strategy Consultants

Mit einem Geleitwort von Prof. Dr. Heinrich Rommelfanger

Dissertation Universität Frankfurt am Main, 2005

1. Auflage Juni 2006

Das Werk einschließlich aller seiner Teile ist urheberrechtlich geschützt.

Die Wiedergabe von Gebrauchsnamen, Handelsnamen, Warenbezeichnungen usw. in diesem

Die fortschreitende Globalisierung der Weltmärkte, die Harmonisierung der

Das Zustandekommen der Arbeit war an die Mithilfe zahlreicher Personen

Mein besonderer Dank und persönliche Wertschätzung gilt meinem Doktorva-

3.2 Quantitative Flugplanoptimierung.......................................................... 48

4.3.1 Modelle zur Flugplanwiederherstellung (Schedule Recovery Models).. 107

6.3.2.2 Anpassungstests.................................................................................... 155

Abbildung 2.24 Schritte zur Erarbeitung der Wellenoptionen................................... 37

Abbildung 5.4 Verlauf der Dichte- und der Möglichkeitsfunktion bei

Abbildung 7.23 Anzahl der Flugbewegungen in Chicago O'Hare............................. 203

Abbildung 7.42 Entwicklung der Transferpassagierumsätze und der Konnektivität

Im Kapitel 3 verwendete Symbole

Im Kapitel 5 verwendete Symbole

Im Kapitel 6 verwendete Symbole

hin Unabhängig und identisch verteilte Zufallsvariable

uik Nutzen der Alternative i im Zeitintervall k

Im Kapitel 7 verwendete Symbole

bFL Anzahl der Flugzeuge in der Teilflotte FL im

sk Anteil der im Zeitintervall k abfliegenden Passagiere an

Eine grundlegende Schwierigkeit in Zusammenhang mit dem Scheduling ist

Die deterministischen Scheduling-Modelle unterstellen Konstanz der Pla-

Die nicht deterministischen Scheduling-Modelle gehen meistens von einer

Der auf der Theorie der Fuzzy-Mengen basierenden, realitätsnahen Darstel-

1.2 Flugplanoptimierung als ein Scheduling-Problem

Der Prozess der Flugplanoptimierung ist ein typisches Scheduling-Problem:

Im Rahmen der Flugplanoptimierung wird nach einer solchen Zuordnung der

• Minimierung der Bearbeitungskosten • Minimierung der Flugbetriebskosten

Neben- • Anzahl der Maschinen • Anzahl der Flugzeuge

• Dauer der Bearbeitungszeiten • Dauer der Flugzeiten

Abbildung 1.1: Übereinstimmung der Flugplanoptimierung mit typischen Scheduling-

Die Methodologie zur Abbildung und Integration der Unsicherheitsaspekte in

Das Modell soll dabei die Gegebenheiten der Luftverkehrsmärkte realitätsnah

timierung zu unterstützen. Dafür ist es notwendig, dass sich das Modell in

Aufbauend auf der hergeleiteten Modelldefinition soll ferner ein professionel-

1.4 Gang der Untersuchung

Dafür werden als erstes im Kapitel 2 die Besonderheiten der Luftverkehrs-

Im Kapitel 3 werden die aus der Literatur bekannten deterministischen Flug-

ziellen Lösungsverfahren für Flugplanoptimierungsmodelle gezeigt und ihre

Um im entwickelten Modell die monetäre Bewertung der Flugplanlösungen zu

Nachdem alle notwendigen Grundlagen in den ersten sechs Kapiteln vermit-

Kapitel 2: Grundzüge der Luftverkehrswirtschaft und

2.2 Grundlagen der Luftverkehrswirtschaft

Unterschiedliche Autoren ordnen den Begriff Luftverkehr je nach Forschungs-

Abbildung 2.1: Erscheinungsformen des Luftverkehrs (Quelle: HUNZIKER, H.-J. (1983), S.

2.2.2 Eigenschaften der Produktion von Verkehrsleistungen

duktion und Konsumption auszeichnet6. Somit gelten für die Airline-Produkte

2.2.3 Charakteristika des Angebots

Markteintrittsbarrieren, die vor allem durch die staatlich reglementierte

2.2.4 Charakteristika der Nachfrage

der Preiselastizität, die ihre Repräsentanten besitzen 25 . So haben die Ge-

Beiden Passagiersegmenten gemeinsam ist die Tendenz zu regelmäßigen

Abbildung 2.3: Verteilung der von US-amerikanischen Fluggesellschaften im Jahr 2004

2.2.5 Entwicklung des Luftverkehrs

Das rapide Wachstum der Nachfrage nach Luftverkehrsleistungen begann,

ASK / RPK Passagiere

2.3 Entwicklung der wichtigsten politischen