Der Einzelwagenverkehr ist das Netz im Netz des Schienengüterverkehrs. Einzelne Wagen oder kleine Wagengruppen werden bei Kunden abgeholt, in Verschubknoten zu Zügen zusammengestellt, über weite Strecken transportiert und am Ziel wieder aufgelöst und zugestellt. Für viele Industriebetriebe ist er der einzige Weg, ihre Güter wirtschaftlich auf die Schiene zu bringen, weil ihre Mengen für einen ganzen Zug nicht reichen.
Gleichzeitig steht der Einzelwagenverkehr in ganz Europa unter großem Druck. Er ist aufwendig, personalintensiv und steht in direktem Wettbewerb mit dem Lkw. Umso wichtiger ist es, ihn so effizient wie möglich zu betreiben. Ein zentraler Hebel dafür liegt in einer Aufgabe, die von außen kaum sichtbar ist, der Disposition leerer Wagen. In diesem Beitrag zeigen wir, warum diese Aufgabe so komplex ist, wie mathematische Optimierung hilft und welche Erfahrungen wir dabei gemeinsam mit der Rail Cargo Group gemacht haben.
Ein System mit vielen Knoten
Einzelwagenverkehr lebt von Knoten. In Verschubbahnhöfen werden ankommende Züge zerlegt und die Wagen nach Zielrichtungen neu sortiert. Von dort geht es weiter in den nächsten Knoten oder in die Bedienung der Anschlussbahnen. Jeder Wagen durchläuft auf seinem Weg mehrere solcher Stationen.
Die Zahlen der Schienen-Control zeigen, wie konzentriert und zugleich fragil dieses System ist. 2025 waren vom Netz der ÖBB-Infrastruktur aus 934 Anschlussbahnen erreichbar, tatsächlich bedient wurden aber nur 488. Allein 16 Anschlussbahnen standen für die Hälfte des gesamten Aufkommens. Gleichzeitig zeigt die Pünktlichkeit, was ein gut organisiertes Knotensystem leisten kann. Die planmäßigen Einzelwagenverkehre zwischen den großen Verschubknoten erreichten eine Pünktlichkeit von 82 Prozent, deutlich mehr als viele andere Segmente des Güterverkehrs.
Das Problem der leeren Wagen
Güterwagen sind auf bestimmte Güter spezialisiert. Ein Kesselwagen für Chemikalien kann keinen Schotter transportieren, ein Schiebewandwagen keine Flüssigkeiten. Nach dem Entladen steht ein Wagen leer beim Kunden und muss dorthin, wo der nächste Kunde einen Wagen dieses Typs braucht. Leider liegen Entlade- und Beladeorte selten nebeneinander.
Die Folge sind Leerfahrten. Leere Wagen werden durch das Netz bewegt, belegen Platz in Zügen, binden Rangierkapazität und verursachen Kosten, ohne Erlöse zu bringen. Gleichzeitig fehlen Wagen an Orten, wo Kunden sie dringend brauchen. Wer diese Ströme nicht vorausschauend steuert, hat entweder zu viele Wagen im System oder zu wenige an der richtigen Stelle.
Die Leerwagendisposition beantwortet also jeden Tag aufs Neue eine einfache Frage mit komplizierter Antwort. Welcher leere Wagen soll zu welchem Kunden, auf welchem Weg und bis wann?
Ein klassisches Optimierungsproblem
Mathematisch betrachtet ist die Leerwagendisposition ein Transport- und Flussproblem auf einem Netzwerk. Auf der einen Seite stehen die Orte, an denen Wagen frei werden, auf der anderen die Orte, an denen sie gebraucht werden. Dazwischen liegt das Netz mit seinen Zügen, Knoten und Laufzeiten. Gesucht ist die Zuordnung, die alle Bedarfe möglichst pünktlich deckt und dabei die Leerkilometer und Kosten minimiert.
In der Praxis wird dieses Problem schnell groß und schwierig. Es gibt viele Wagentypen, die teilweise, aber nicht vollständig austauschbar sind. Bedarfe sind nicht immer im Voraus bekannt. Die Kapazität der Züge und Knoten ist begrenzt. Wagen haben Wartungsfristen und müssen gelegentlich in die Werkstatt. Und die Transportzeit hängt davon ab, wann der nächste passende Zug fährt. Für solche Aufgaben kombinieren wir Methoden der Graphentheorie mit gemischt ganzzahliger Optimierung.
Was wir gemeinsam mit der Rail Cargo Group entwickelt haben
Im österreichischen Forschungsprojekt TARO, das von 2020 bis 2023 lief und vom Klimaschutzministerium und der FFG gefördert wurde, haben die Rail Cargo Group, Anexia und die Universität Klagenfurt im Arbeitspaket Netzwerkoptimierung genau an dieser Frage gearbeitet. Entstanden ist eine Software, die den Bedarf an Güterwagen und den verfügbaren Bestand abgleicht und dem Disponenten automatisch Vorschläge macht. Mit mathematischer Optimierung wird die Zahl der mit leeren Wagen gefahrenen Kilometer minimiert und die Produktivität gesteigert. Laut ÖBB sollen die Entwicklungen in den Tagesbetrieb überführt werden.
Die Zusammenarbeit mit dem ÖBB-Konzern reicht bei Hex bis 2017 zurück und umfasste unter anderem die Planung von Triebfahrzeugen und Triebfahrzeugführern im Güterverkehr. Mehr dazu im Beitrag zum Automated Resource Planning im Bahnbetrieb.
Warum gerade jetzt
Das Frühjahr ist für viele Güterbahnen eine Zeit des Übergangs. Mit dem Beginn der Bausaison steigt die Nachfrage nach Baustoffen, in der Landwirtschaft laufen Düngemitteltransporte an, und Kunden planen ihre Mengen für das restliche Jahr. Gleichzeitig beginnen die großen Sanierungen im Netz, die Laufwege verlängern und Knoten belasten.
Wer in dieser Phase seinen Wagenpool vorausschauend plant, kommt besser durch das Jahr. Eine Optimierung zeigt, wie viele Wagen welchen Typs in welcher Region voraussichtlich gebraucht werden, wo Überhänge entstehen und wo Engpässe drohen. Daraus lassen sich Entscheidungen ableiten, etwa ob Wagen zugemietet, umgesetzt oder in die Werkstatt gegeben werden sollten, bevor die Herbstspitze beginnt. Wie die Disposition in der Herbstspitze aussieht, beschreiben wir im Beitrag Lokdisposition im Güterverkehr bei Ad-hoc-Trassen.
Mehr als nur Leerwagen
Die Leerwagendisposition ist ein Baustein eines größeren Systems. Im Einzelwagenverkehr hängen viele Planungsaufgaben zusammen. Welche Züge fahren zwischen welchen Knoten, und wie oft? Wie werden Anschlussbahnen bedient, mit welchen Lokomotiven und welchem Personal? Wie wird im Verschubbahnhof sortiert, damit Wagen ihre Anschlusszüge erreichen?
Jede dieser Aufgaben lässt sich für sich optimieren, und jede beeinflusst die anderen. Ein Netz mit selteneren, dafür längeren Zügen spart Loks und Personal, verlängert aber die Wartezeit der Wagen in den Knoten. Eine häufigere Bedienung der Anschlussbahnen verbessert den Service, kostet aber Rangierkapazität. Mit mathematischen Modellen lassen sich diese Zusammenhänge sichtbar machen und bewusst abwägen. Wie wir Lok- und Personalplanung im Güterverkehr angehen, beschreiben wir auf der Seite zur Ressourcenoptimierung im Schienengüterverkehr.
Prognosen für bessere Entscheidungen
Ein großer Teil der Schwierigkeit liegt darin, dass Bedarfe nicht immer im Voraus bekannt sind. Kunden bestellen Wagen kurzfristig, Ladungen verzögern sich, und Wagen kommen später zurück als geplant. Hier helfen Prognosen. Aus historischen Daten lässt sich mit Verfahren des Machine Learning abschätzen, wann und wo Wagen frei werden und wie groß der Bedarf in den kommenden Tagen sein wird. Die Optimierung plant dann nicht nur für die bekannten Aufträge, sondern auch für den erwarteten Bedarf.
Dazu kommt die Frage der Laufzeiten. Wie lange braucht ein Wagen tatsächlich von einem Knoten zum nächsten, und wie wahrscheinlich ist es, dass er seinen Anschluss erreicht? Wer das realistisch einschätzt, plant verlässlicher. Schon im FFG-Projekt mit der Rail Cargo Austria ab 2018 war deshalb ein System zur Prognose von Zugverspätungen ein zentraler Bestandteil.
Die Zukunft mit digitaler Kupplung
Die Digitale Automatische Kupplung, die im Projekt TARO ebenfalls untersucht wurde, soll das Kuppeln und Entkuppeln von Wagen automatisieren und den Einzelwagenverkehr grundlegend beschleunigen. Wenn Wagen schneller sortiert und Züge schneller gebildet werden können, verändert das auch die Planung. Kürzere Aufenthalte in den Knoten ermöglichen andere Netzstrukturen und schnellere Umläufe. Optimierungsmodelle helfen, diese neuen Möglichkeiten voll auszuschöpfen, sobald die Technik in der Fläche verfügbar ist.
Anbindung und Einführung
Eine Optimierung für die Leerwagendisposition ist nur so gut wie die Daten, die sie erhält. Wagenpositionen, Aufträge, Zugpläne und Kapazitäten müssen aktuell und konsistent vorliegen. Unsere Lösungen binden sich über Schnittstellen an die Dispositions- und Auftragssysteme an und liefern ihre Vorschläge in die gewohnte Arbeitsumgebung der Disponenten. Mehr dazu auf der Seite zur Datenintegration.
Wichtig ist uns dabei, dass die Disponentinnen und Disponenten die Kontrolle behalten. Das System macht Vorschläge und begründet sie, die Entscheidung bleibt beim Menschen. Gerade im Güterverkehr, wo Kundenbeziehungen und Erfahrungswissen eine große Rolle spielen, ist das entscheidend für die Akzeptanz.
Kennzahlen, die den Unterschied zeigen
Wer die Leerwagendisposition verbessern will, sollte ihre Wirkung messen. Bewährt haben sich einige wenige Kennzahlen. Der Anteil der Leerkilometer an allen Wagenkilometern zeigt, wie effizient der Wagenpool bewegt wird. Die durchschnittliche Umlaufzeit eines Wagens vom Entladen bis zum nächsten Beladen zeigt, wie schnell er wieder Geld verdient. Die Quote der rechtzeitig bereitgestellten Wagen zeigt, wie zuverlässig Kunden bedient werden. Und die Zahl der Wagen, die länger als eine bestimmte Zeit ungenutzt stehen, verrät, wo Bestand gebunden ist.
Diese Kennzahlen lassen sich vor und nach der Einführung einer Optimierung vergleichen und machen den Nutzen transparent, für die Disposition ebenso wie für die Geschäftsführung.
Sie möchten Ihre Leerwagendisposition oder Ihren Einzelwagenverkehr effizienter gestalten? Sprechen Sie mit uns. Wir zeigen Ihnen, welche Erfahrungen wir gemeinsam mit der Rail Cargo Group gemacht haben und wie sie sich auf Ihr Netz übertragen lassen.
Häufige Fragen
Wie viel lässt sich durch eine optimierte Leerwagendisposition einsparen?
Das hängt vom Netz, vom Wagenpool und von der bisherigen Planung ab. Eine Potenzialanalyse mit den eigenen Daten eines typischen Monats zeigt das am besten.
Funktioniert das auch für kleinere Güterbahnen?
Ja. Auch bei kleineren Wagenpools lohnt sich eine systematische Steuerung, vor allem wenn verschiedene Wagentypen und viele Kunden im Spiel sind.
Kann das System mit kurzfristigen Bestellungen umgehen?
Ja. Die Optimierung rechnet laufend neu und berücksichtigt neue Aufträge, Verzögerungen und veränderte Wagenpositionen in Echtzeit.