Tim Holthaus, Kai Radant, Bert Leerkamp

• Die Erweiterung der Mautpflicht auf Bundesstraßen hat dazu geführt, dass der bisherige Verkehr, der Mautgebühren vermeiden wollte, weitgehend wieder auf das Autobahnnetz zurückverlagert wurde. Infolgedessen ist die ohnehin geringe Anzahl der Fahrzeuge, die Mautgebühren umgehen, weiter deutlich gesunken und wird zunehmend von anderen verkehrsbeeinflussenden Faktoren überlagert. Zudem sind die Schwerverkehre auf mautfreien Strecken wie Landes-, Staats-, Kreis- und Gemeindestraßen nicht besonders stark ausgeprägt. Die bisherigen Modellberechnungen stoßen daher an ihre Genauigkeitsgrenzen. Selbst anhand von Vorher-/Nachher-Vergleichen an den Dauerzählstellen ist es 18 Jahre nach Einführung der Maut nicht mehr ausreichend möglich, den Mautverlagerungsverkehr mit den bisherigen Methoden hinreichend von anderen Effekten abzugrenzen. Um auch weiterhin der bestehenden Berichtspflicht gerecht zu werden und zuverlässige Schätzungen zu den Mautverlagerungsverkehren vornehmen zu können, analysiert diese Ausarbeitung Schwerverkehre auf Basis von Lkw-Mautdaten des Bundesamts für Logistik und Mobilität (BALM). Diese Daten ermöglichen die Nachverfolgung, wann ein Fahrzeug welchen Mautabschnitt befahren hat. Ziel ist es, ein Verfahren zu entwickeln, das Mautausweichverkehre erstmals vollständig und empirisch analysiert und ein kontinuierliches Monitoring ermöglicht. Das Verfahren gliedert sich in zwei Schritte: 1. Identifikation von Mautausweichverkehren und -relationen und 2. Zeitreihenanalyse 1. Identifikation von Mautausweichverkehren und -relationen Im ersten Schritt werden täglich Fahrten außerhalb des Mautnetzes identifiziert. Dazu werden die Mautfahrten eines Fahrzeugs chronologisch verknüpft. Wenn ein Fahrzeug zwischen zwei Mautfahrten das Mautnetz verlässt, wird geprüft, ob es außerhalb des Mautnetzes eine Fahrtunterbrechung gab. So lässt sich feststellen, ob ein paralleler Verkehr zum Mautnetz stattgefunden hat. Ein routingfähiges Netzmodell könnte diesen Schritt verbessern, indem es wahrscheinliche Routen außerhalb des Mautnetzes sowie deren Zeitbedarf und Streckenlänge genauer ermittelt. Anhand dieser Daten werden auch Fahrten außerhalb des Mautnetzes mit Fahrten innerhalb des Mautnetzes verglichen. Ist eine Route außerhalb des Mautnetzes schneller, gilt sie als zeitlich attraktiver. Der Vergleich wird zeitabhängig durchgeführt, um den Einfluss von Verkehrsflussbedingungen zu minimieren. In dieser Untersuchung wurde die schnellste Fahrt innerhalb und außerhalb des Mautnetzes pro Relation und Zeitfenster als Basis genommen. Für Relationen ohne Mautfahrten, bei denen alle Fahrzeuge auf das nicht mautpflichtige Netz ausweichen, ist eine manuelle Prüfung nötig, um den Einfluss von Zeit- oder Kosteneinsparungen zu bewerten. Hier könnte ein routingfähiges Netzmodell die manuelle Arbeit durch Schätzungen der Zeitbedarfe unterstützen. Ergebnisse aus Schritt 1: Je Kalendertag sind a) die Relationen (zwischen zwei Mautnetzknoten zu Mautnetzknoten), b) je Relation der Fahrtenbesatz von Fahrten außerhalb des Mautnetzes mit und ohne Unterbrechung, c) je Relation die absolute Anzahl an Fahrten außerhalb des Mautnetzes, die Mautausweichfahrten sind sowie d) die relativen Anteile von b) und c) an allen Fahrten (im und außerhalb des Mautnetzes) bekannt. Eine Anwendung des Verfahrens für den betrachteten Stichtag 21.06.2023 zeigte: - Zwischen 1,88 % (bei mindestens 50 Fahrten/d außerhalb des Mautnetzes pro Relation) und 4,90 % (bei mindestens 10 Fahrten/d außerhalb des Mautnetzes pro Relation) der Fahrten sind Mautausweichverkehr. - Nur 0,3 %–2,3 % dieser Fahrten sparen mehr als 2 € an Gesamtkosten ein. 2. Zeitreihenanalyse Empirische Daten beinhalten Reaktionen auf externe Effekte wie Verkehrsflussstörungen (z. B. Ausweichen aufgrund von Baustellen). Die hier durchgeführte Analyse von 20 Stichtagen zeigt eine hohe Fluktuation in den Mautausweichrelationen. Nur 13 % der Relationen mit mindestens 25 Fahrten werden an allen Tagen befahren. Zeitreihenanalysen sind daher entscheidend, um stabile Muster zu identifizieren. Vorteile des entwickelten Verfahrens und sinnvolle Erweiterungen Das Verfahren ermöglicht: - eine klare Unterscheidung zwischen tatsächlich belasteten Strecken und solchen, die überwiegend von unterbrochenen Fahrten genutzt werden, - präzise Aussagen über die Anzahl und Veränderungen von Fahrten außerhalb des Mautnetzes, - zeitliche Analysen des Verkehrsflusses im Mautnetz. Eine sinnvolle Erweiterung stellt die Einbindung eines routingfähigen Netzmodells, ggf. angereichert mit realistischen Geschwindigkeitsdaten aus den kontinuierlich erfassten Mautdaten, dar. Dies würde: - die Identifikation von Fahrtunterbrechungen auf Routen außerhalb des Mautnetzes, bei denen alle Fahrten unterbrochen sind, und - die Ermittlung von Referenzfahrzeiten im Mautnetz auf Relationen, auf denen 100 % der Fahrten außerhalb des Mautnetzes liegen verbessern.
• The extension of toll obligations to federal highways has led to a significant shift of previously toll-avoiding traffic back onto the motorway network. Consequently, the number of vehicles bypassing tolls has decreased considerably and is increasingly influenced by other traffic-related factors. Additionally, heavy goods traffic on toll-free roads such as state, district, and municipal roads remains relatively low. Existing modeling approaches are thus reaching their accuracy limits. Even before-and-after comparisons at permanent counting stations, 18 years after the introduction of tolls, are no longer sufficient to differentiate toll diversion traffic from other effects using traditional methods. To meet ongoing reporting obligations and provide reliable estimates of toll diversion traffic, this study analyzes toll avoidance patterns based on truck toll data provided by the Federal Office for Logistics and Mobility (BALM). These data allow for tracking when and where a vehicle used specific toll sections. The aim is to develop a method that empirically and comprehensively analyzes toll avoidance behavior and enables continuous monitoring. The methodology is divided into two steps: 1. Identification of toll avoidance traffic and relations 2. Time series analysis 1. Identification of Toll Avoidance Traffic and Relations In the first step, daily trips outside the toll network are identified by chronologically linking a vehicle’s toll trips. If a vehicle exits the toll network between two toll trips, it is checked whether an interruption occurred outside the toll network. This process determines if parallel traffic to the toll network took place. A routing-enabled network model could enhance this step by estimating likely routes outside the toll network, including their travel time and length. Based on the identified data, trips outside the toll network are compared to those within the toll network. If a route outside the toll network is faster, it is considered more time-efficient. Comparisons are time-dependent to minimize the impact of varying traffic conditions. In this analysis, the fastest trip within and outside the toll network per relation and time window was used as a benchmark. For relations without toll trips, where all vehicles avoid the toll network, manual evaluation is required to assess whether the avoidance is due to time or cost savings. A routing-enabled network model could support manual reviews by estimating travel times. Results from Step 1: For each calendar day, the following information is derived: a) The relations (from one toll network node to another), b) The composition of trips outside the toll network (with and without interruptions), c) The absolute number of toll avoidance trips for each relation and d) The relative shares of trips in b and c compared to all trips (within and outside the toll network). Application of the methodology for the selected date, June 21, 2023, revealed: - Between 1.88 % (with a minimum of 50 trips per relation/day outside the toll network) and 4.90 % (with a minimum of 10 trips per relation/day outside the toll network) of trips are toll avoidance traffic. - Only 0.3 %–2.3 % of these trips save more than € 2 in total costs. 2. Time Series Analysis Empirical data inherently reflect reactions to external effects, such as traffic disruptions or detours due to construction. An analysis of 20 selected days shows high fluctuations in toll avoidance relations. Only 13 % of relations with at least 25 trips are used across all days. Time series analysis is thus essential for identifying stable patterns. Benefits of the Developed Method and Suggested Enhancements The methodology enables: - Clear differentiation between heavily burdened routes and those primarily used for interrupted trips, - Precise insights into the number and trends of trips outside the toll network, - Temporal analyses of traffic flow within the toll network. A meaningful enhancement would involve integrating a routing-enabled network model enriched with realistic speed data derived from continuously collected toll data. This would improve: - The identification of trip interruptions on routes outside the toll network where all trips are interrupted, - The determination of reference travel times within the toll network for relations where 100 % of trips occur outside the toll network. By incorporating these enhancements, the methodology could further refine cost estimations and better account for factors like speed variability and route length, ultimately providing a more comprehensive analysis of toll avoidance traffic.