Der Landesbetrieb HessenForst modelliert flächendeckende (Bewegungs-)Daten für die Nutzung des Waldes zur Erholung. Zum Einsatz kommen Small Area Methoden der infas360 aus Bonn.
Wandern, Joggen, Rad- und Mountainbike fahren, alle diese Aktivitäten haben in den deutschen Wäldern während der Pandemie massiv zugenommen. Die Erholung in heimischen Gefilden ist als Ressource für Lebensqualität enorm wichtig. Andererseits sind damit auch alte Konflikte wieder stärker zum Vorschein gekommen. Der Wald ist schützenswerter Naturraum, wichtiger Produktionsfaktor für eine moderne, nachhaltige Wirtschaftsweise und wichtiger Erholungs- und Erlebnisort für Menschen.
Allen Belangen ausreichend Rechnung zu tragen, gehört zum Kern der Aufgaben von HessenForst. Die Aufgaben und Ziele des Landesbetriebes sind gleichermaßen die nachhaltige Pflege und Bewirtschaftung der Wälder, die Unterstützung von Biodiversität und Klimaschutz, aber auch die Gewährleistung der Erholungswirkung des Waldes. Vor diesem Hintergrund entstand im Jahr 2020 das Projekt „Erholung im Staatswald“, in dem die notwendigen Planungsgrundlagen geschaffen werden sollen, die bei vielfältigen Fragestellungen eine massive Rolle spielen. So sollten Möglichkeiten geschaffen werden, um die Wegepflege anzupassen, die Holzabfuhr zu optimieren und die Besucherlenkung weiterzuentwickeln. Dadurch sollen Konflikte vermieden und sensible Bereiche geschont werden.
„Wir benötigten dafür zunächst eine Bestandsaufnahme, also flächendeckende Informationen darüber, in welchem Umfang und wann der Wald überhaupt genutzt wird“, so Lena Götz, Projektleiterin bei HessenForst. Bisher lagen dazu keine objektiven Informationen vor.
Lösungsweg mit Small Area Methoden
Also machte sich der Landesbetrieb auf die Suche nach einem Weg, diese Daten zu bekommen. Nach einer Anfrage beim Geomarketing-Spezialisten infas360 GmbH, entwickelte das Bonner Unternehmen einen innovativen Lösungsweg. Dafür zog es zum einen smartphonebasierte Positionsdaten von Handynutzern heran. Diese „Rohdaten“ stammen von dem Berliner Unternehmen Targomo GmbH, die dafür anonymisierte, smartphonebasierte Positionsdaten aus verschiedenen Applikationen (etwa Navigations-, Karten-, Reise- und Wetter-Apps) aufbereitet hat.
Diese Daten versprachen zunächst einen erfolgversprechenden Ansatz. Es wurden nur Trackingdaten verwendet, bei denen eine Geschwindigkeit von unter 35 km/h herrschte, die Signalgenauigkeit entsprechend hoch und keine Mehrfachzählung möglich war, um so eine sinnvolle Vorselektion für die Fragestellungen zu erhalten. Als Zeitraum wurden Daten aus dem Sommerhalbjahr (April 2020 bis September 2020) und den Wintermonaten (Januar bis März und Oktober bis Dezember 2020) herangezogen. Die räumliche Analyse basierte auf einer Hexagon-Struktur mit einer Kantenlänge von 174 Metern. „Diese Struktur haben wir unter anderem auch gewählt, um datenschutztechnisch komplett auf der sicheren Seite zu sein, denn bei dieser Zellengröße lässt sich auch aus den anonymisierten Daten kein Personenbezug zurückrechnen“, so Christina Nelleßen, Senior Consultant Data Science bei infas360.
Doch dieser Datenbestand allein reichte nicht aus. Die Bewegungsdaten waren noch zu „dünn“, um valide Ergebnisse zu bekommen. Sprich: die Stichprobe war nicht groß genug, um ein einfaches Schätzverfahren anzuwenden.
Genau für solche Anwendungsfälle hat infas360 jedoch ein passendes Verfahren. Mit den Small Area Methoden (SAM) wendet das Unternehmen seit Jahren ein in der Markt- und Sozialforschung etabliertes Verfahren an. SAM ermöglichen es, dass auch bei kleinen Stichproben zuverlässige Schätzungen durchgeführt werden können – und damit eigneten sich die Methoden perfekt für das Projekt mit HessenForst.
Bei SAM werden benachbarte Gebiete oder ähnlichen Strukturen (Hilfsvariablen) für die Schätzungen berücksichtigt. Dahinter liegt also eine räumliche Modellierung von soziodemographischen und mikrogeographischen Daten. „Insgesamt haben wir bis zu 700 solcher Variablen herangezogen“, sagt Dr. Barbara Wawrzyniak, SAM-Spezialistin bei Infas360.
Flächendeckende, valide Daten
Allgemein beschäftigen sich SAM-Verfahren mit der Entwicklung und Verbesserung von Methoden zur Schätzung kleinräumiger Daten. „Der Vorteil der SAM gegenüber herkömmlichen Schätzmodellen besteht darin, dass durch die Verwendung der Hilfsvariablen der Bedarf an der Menge empirischer Daten geringer ist“, so Wawrzyniak. Im Fall der Bewegungsdaten entstanden so auch schlichte Kostenvorteile für den Auftraggeber. „Es werden zwar auch Bewegungsdaten durch die Mobilfunkbetreiber am Markt angeboten, diese sind aber sehr kostenintensiv und für den Anwendungsfall von HessenForst überdimensioniert“, sagt Nellessen.
Zunächst hatte infas360 einen SAM-Testlauf für ein Gebiet in der Nähe von Darmstadt durchgeführt, was zu sehr guten Ergebnissen führte. Daraufhin wurde das gesamte Waldgebiet von HessenForst modelliert. „Nun haben wir einen hervorragenden Datenbestand, der uns bei den Planungen rund um die multifunktionale Bewirtschaftung des Waldes auch in dicht besiedelten Gebieten weiterhilft“, so Lena Götz. (sg)