Wirkungen des sozioökonomischen Wandels auf die ... · area is provided. Finally, the results are used to derive the sealed surface fraction and the Finally, the results are used

$Page 1: Wirkungen des sozioökonomischen Wandels auf die ... · area is provided. Finally, the results are used to derive the sealed surface fraction and the Finally, the results are used$
Wirkungen des sozioökonomischen Wandels auf die Siedlungsflächenentwicklung im Elbeeinzugsgebiet

Von

Jana Hoymann

029 /2010

Working Paper On Management in Environmental Planning

Working Paper on Management in Environmental Planning 29/2010 Arbeitspapiere zum Management in der Umweltplanung 29/2010

Contact: Jana Hoymann Technische Universität Berlin Institut für Landschaftsarchitektur und Umweltplanung Straße des 17. Juni 145 D-10623 Berlin [email protected]

ABSTRACT/ZUSAMMENFASSUNG Impact of socioeconomic change on the development of residential areas in the Elbe River Basin This paper presents a spatially explicit scenario-analysis of residential land use change for the Elbe River Basin. The focus is especially on the input data for the applied land use change model. On the one hand side, an empirical and statistical analysis of location choice for residential areas is introduced, and on the other hand a consistent approach to calculate the regional demand for residential areas for the German and the Czech part of the study area is provided. Finally, the results are used to derive the sealed surface fraction and the municipal population distribution within the Elbe River Basin. Results show, that residential area steadily increases while the population is declining already in some regions. The largest increase in residential area as well as sealed surface can be found in the hinterland of the metropolitan cities of Hamburg, Berlin and Prague. Differences in residential development between the scenarios are caused by scenario-specific population projections and the de-mand for housing.

Wirkungen des sozioökonomischen Wandels auf die Siedlungsflächenentwicklung im Elbeeinzugsgebiet Es wird eine räumlich explizite Szenarioanalyse der Siedlungsflächenentwicklung im Elbe-einzugsgebiet vorgestellt. Hierbei steht die kritische Betrachtung der Eingangsinformationen im Vordergrund. Einerseits wird eine empirisch-statistische Analyse der Standorteigenschaf-ten durchgeführt, und andererseits eine konsistente Methodik entwickelt, die Siedlungsflä-chennachfrage für den deutschen und den tschechischen Teil des Elbeeinzugsgebiets zu ermitteln. Im Anschluss daran, werden die aus der Siedlungsflächenentwicklung abgeleiteten Indikatoren Versiegelte Fläche und kommunale Bevölkerungsverteilung analysiert. Trotz sehr heterogener Bevölkerungsentwicklungen wird die Siedlungsfläche weiterhin zunehmen. Be-sonders starke Zuwächse von bis zu 20 Prozent verzeichnen die Umlandregionen der Met-ropolen. Unterschiede in der Siedlungsflächenentwicklung der unterschiedlichen Entwick-lungsrahmen werden hervorgerufen durch die zugrunde liegenden Bevölkerungsprojektionen sowie die Entwicklung der Wohnungsnachfrage.

Keywords: Modellierung, Landnutzung, demographischer Wandel, Land Use Scanner, Versiege-lung, Siedlungsfläche

Working Paper on Management in Environmental Planning 29/2010

1

1. Einleitung

1.1. Motivation und Hintergrund

Die Veränderung der Landnutzung und der Siedlungsfläche stellen einerseits Wirkungen des sozioökonomischen Wandels dar und beeinflussen andererseits den Wasserkreislauf. Die Siedlungsflächenentwicklung dient als Indikator für eine nachhaltige Entwicklung. Aktuelle Entwicklungen werden dabei als nicht nachhaltig eingestuft, da die Siedlungsfläche stetig zunimmt, während die Bevölkerungzahl regional bereits zurück geht (BBR (Bundesamt für Bauwesen und Raumordnung) 2007, Bundesregierung 2008).

Im Rahmen des interdisziplinären Forschungsprojektes GLOWA-Elbe II wurde aus diesem Grund eine räumlich explizite Szenarioanalyse der künftigen Siedlungsflächenentwicklung durchgeführt. Für die Allokation des Siedlungsflächenbedarfs wurde der Land Use Scanner als Landnutzungsmodell verwendet (Hilferink and Rietveld 1999, Schotten et al. 2001). Der Land Use Scanner ist ein operationelles, GIS-basiertes und räumlich explizit arbeitendes Simulationsmodell zur Modellierung der Veränderung von Landnutzung und Landbedeckung. Als Eingangsdaten sind einerseits räumlich explizite Eignungskarten zu integrieren. Anderer-seits sind regionale Raumansprüche als Eingangsdaten bereitzustellen. Diese werden vor-geschaltet in sektoralen Modellen berechnet. Die räumliche Ebene auf der die regionalen Raumansprüche integriert werden, ist dabei grundsätzlich variabel. Das Modell verknüpft schließlich die Eignungskarten und die regionalen Raumansprüche miteinander und verortet die Landnutzung und Landbedeckung entsprechend einem Vergleich der Eignungen ver-schiedener Landnutzungen für eine Zelle und dem Nutzungsdruck einer Landnutzung, der sich aus den Raumansprüchen ergibt. Dabei werden alle Landnutzungen und Landbede-ckungen simultan betrachtet. Es gibt demnach keine Hierarchie, in der die Raumansprüche erfüllt werden (Borsboom-van Beurden et al. 2002).

1.2. Arbeiten in GLOWA-Elbe II

Basierend auf einem Dichte-Ansatz, wurde bisher die projizierte Bevölkerungsentwicklung unter Verwendung der Raumordnungsprognose des Bundesamtes für Bauwesen und Raumordnung und spezifischer Flächendichten differenziert nach Ein-/Zweifamilien- und Mehrfamilienhäusern in die Nachfrage nach Siedlungsfläche übersetzt. Für die tschechische Republik wurde ein vereinfachter Ansatz gewählt, da keine Prognosen und Projektionen zum Wohnungsbau vorlagen. Dieses Vorgehen berücksichtigt die bereits beobachtete divergie-rende Entwicklung von Bevölkerung und Siedlungsfläche (Hoymann 2008).


2

Die notwendigen Eignungskarten wurden bisher als gewichtete Summe der einzelnen Standortfaktoren für eine Landnutzung ermittelt. Die Gewichtung erfolgte anhand der Szenarienbeschreibung. Dieses Vorgehen ist allerdings nicht sehr transparent, da es auf einer subjektiven Experteneinschätzung beruht. Der Gewichtungsprozess ist schwer dokumentierbar und somit schwer nachvollziehbar. Eine empirische Überprüfung der Exper-teneinschätzung anhand der tatsächlich beobachteten ist dabei kaum durchführbar (Hoymann 2008).

Beide Arten von Eingangsinformationen, regionale Flächennachfrage und Eignungskarten, enthielten somit methodische Schwächen. Daher ist es nun ein Ziel, diese Eingangsinforma-tionen auf eine solidere empirische und methodische Basis zu stellen. Dies bedeutet, dass die Ermittlung der regionalen Siedlungsflächennachfrage für den deutschen und den tsche-chischen Teil des Elbeeinzugsgebietes methodisch angeglichen wird und die Gewichtung der Standortfaktoren für die Eignungskarten an tatsächlich stattgefundenen Veränderungen orientiert werden soll.

Weitere Ziele sind:

• die Ermittlung der kommunalen Bevölkerungsverteilung anhand der Siedlungsflä-chenentwicklung und

• die Ermittlung des Versiegelungsgrades der Siedlungsflächen.

Die Bevölkerungsverteilung wurde bisher so auf die Kommunen verteilt, dass die Summe der kommunalen Bevölkerung dem Ergebnis der regionalen Bevölkerungsprojektion entspricht und gleichzeitig die Bevölkerungsdichte nur minimal verändert wird. Die zu Grunde liegenden Ergebnisse weisen jedoch starke prozentuale Änderungen der Bevölkerung zwischen den Jahren 2003 und 2020 aus. Daher soll auch für diesen Parameter eine methodische Verbes-serung durchgeführt werden. Die Ermittlung der versiegelten Fläche erfolgte bisher analog zur Methodik, die in MONERIS implementiert ist (Schreiber and Behrendt 2004). In Abhän-gigkeit der Bevölkerungsdichte wird die versiegelte Fläche ermittelt (Heaney et al. 1975). Je stärker die Bevölkerungsdichte steigt, desto mehr Fläche wird versiegelt. Da sich die Bevöl-kerungsdichte im Untersuchungsgebiet trotz zunehmender Siedlungsfläche, welche anteilig versiegelt ist, aber reduzieren kann, ist dieser Ansatz im Elbeeinzugsgebiet nicht geeignet. Die in GLOWA-Elbe II nur rudimentär implementierten Methoden werden überarbeitet. Die Parameter kommunale Bevölkerungsverteilung und Versiegelung stellen wichtige Eingangs-informationen für nachgelagerte Modelle des Projektverbundes dar.

Die Arbeiten aus GLOWA-Elbe II, die die Realisierung des Landnutzungsmodells für das Elbeeinzugsgebiet beinhalteten und die Arbeiten aus GLOWA-Elbe III, die vor allem metho-dische Verbesserungen vorsahen dienen als Basis für die softwaretechnische Integration der methodischen Bausteine in ein Werkzeug, welches Bestandteil der EET ist. Ziel dieses


3

Werkzeugs ist es, die Fachöffentlichkeit in die Lage zu versetzen, einerseits die bestehenden Szenarien der Siedlungsflächenentwicklung methodisch nachzuvollziehen und andererseits neue Szenarien zu berechnen, die sich möglicherweise aus der Vorgehensweise im Rahmen der WRRL ergeben. Besondere Relevanz bekommt die Modellierung der Siedlungsflächen-entwicklung vor allem durch ihr Potential ex ante Analysen im Rahmen von Raumplanungs-prozessen durchzuführen (Koomen Revised Version).

Detaillierte Beschreibungen und Dokumentationen zur Toolentwicklung und zur Modellierung der Siedlungsflächenentwicklung finden sich auch in den in Tabelle 1 zusammengefassten Veröffentlichungen.

Tabelle 1: Übersicht Publikationen zum Thema Siedlungsflächenmodellierung

Nr Thema Publikation

1 Eignungskarten Hoymann, J. (2010): Spatial allocation of future residential land use in the Elbe river basin. In: Environment and Plan-ning B: Planning and Design 37(5): 911-928.

2 Siedlungsflächennächfrage – Szenarien

Hoymann, J. (online): Accelerating urban sprawl in depopu-lating regions - a scenario analysis for the Elbe River Basin. In: Regional Environmental Change.

3 Siedlungsflächennachfrage – Methodenvergleich

Hoymann, J. (in press): Quantifying demand for built-up area - A comparison of approaches and application to re-gions with stagnating population. In: Journal of Land Use Science.

4 Toolentwicklung – Handbuch Hoymann, J., Koomen, E., Dekkers, J.E.C., Phan-Drost, N., Pilz, H., Hewing, M. (2010): Manual Land Use Scanner Elbe. Simulating residential land use changes in scenarios, Report project GLOWA-Elbe III, TU Berlin/VU University, Berlin/Amsterdam.

5 Toolentwicklung – Code Dokumentation

Pilz Henrik (2010): Technische Dokumentation Land Use Demand Tool.

6 Toolentwicklung – User Guide GeoDMS

http://www.objectvision.nl/geodms/default.htm

1.3. Stand der Forschung

1.3.1. Eignungskarten

Für die Integration der Eignungskarten in den Land Use Scanner müssen die einzelnen rele-vanten Standortfaktoren gewichtet und als gewichtete Summe für jede Landnutzung zusam-mengefasst werden. Die Verwendung von Expertenwissen für die Gewichtung ist dabei eine


4

mögliche Methode, welche bereits in mehreren Fallstudien angewendet wurde (Hilferink and Rietveld 1999, Borsboom-van Beurden et al. 2007). Trotzdem bleibt es problematisch den Gewichtungsprozess transparent zu gestalten. Einerseits ist nicht eindeutig geklärt, welche Standortfaktoren für bestimmte Landnutzungsänderungen verantwortlich sind (Verburg et al. 2004b), andererseits ist der Entscheidungsprozess subjektiv. Alternativ kann der Einfluss der Standortfaktoren empirisch ermittelt werden. Einen Überblick über verschiedene Methoden gibt Verburg et al. 2004b. Die logistische Regression stellt dabei eine häufig verwendete Methode dar. Hierbei kann zwischen einer binomialen und einer multinomialen logistischen Regression sowie zwischen der Abschätzung des Landnutzungsmusters und der Landnutzungsänderungen unterschieden werden (Turner et al. 1996, Pontius Jr and Batchu 2003, Aspinall 2004, Dendoncker et al. 2007, Loonen and Koomen 2009). Nur wenige Studien verwenden die Ergebnisse der logistischen Regression für zukünftige Projektionen (Wear and Bolstad 1998, Pontius Jr and Batchu 2003, Millington et al. 2007). Keine der Arbeiten berücksichtigt mögliche Veränderungen des Einflusses der Standortfaktoren über die Zeit.

Siedlungsflächennachfrage

Grundsätzlich ist festzustellen, dass sich bis heute keine Methodik durchgesetzt hat, um die regionale Nachfrage nach Siedlungsfläche zu projizieren. Die häufigsten verwendeten Methoden sind Trendfortschreibungen, Regressionsanalysen und Dichte-Ansätze. Eine ausführliche Diskussion dieser verschiedenen methodischen Ansätze und eine Analyse ihrer Anwendbarkeit in einem Gebiet mit abnehmenden Bevölkerungszahlen befindet sich in Hoymann 2010. Obwohl die ex-post Analyse der Methoden regional erhebliche Abweichungen von den tatsächlichen Entwicklungen der Siedlungsflächenentwicklung gezeigt hat, kann keine Methode als ungeeignet bezeichnet werden. Größere Abweichungen von der tatsächlichen Entwicklung gab es vor allem bei der Verwendung von Dichte-Maßen. Trotzdem scheint diese Methode aber gerade für die Szenarienanalyse geeignet, da Dichte-Maße gut in Storylines von Szenarien operationalisiert werden können. Da diese Methodik bereits in GLOWA-Elbe II angewendet wurde, soll dies auch jetzt so bleiben. Lediglich für den tschechischen Teil des Elbeeinzugsgebiets wird die Methode für eine breitere nun verfügbare Datenbasis angewendet. Weiter Informationen zur Implementierung im Rahmen von GLOWA-Elbe ist bei Hoymann online zu finden.

1.3.2. Versiegelung

Die mit der Siedlungsflächenentwicklung einhergehende Bodenversiegelung hat vielfältige Auswirkungen auf den Wasserhaushalt, das Stadtklima und die Flora und Fauna. Um das Ausmaß möglicher Wirkungen abschätzen zu können, ist es notwendig auch die versiegelte


5

Fläche zu erfassen. Dreierlei Ansätze zur Abschätzung des Umfangs versiegelter Flächen werden aktuell diskutiert.

Die fernerkundliche Erfassung von Siedlungsbereichen und versiegelten Flächen ist eine Möglichkeit, um lokal und regional sehr detaillierte und aktuelle Informationen zu erhalten. Eine hohe räumliche und spektrale Auflösung ist von besonderer Relevanz. Da der zeitliche Bedarf für eine flächendeckende fernerkundliche Erhebung allerdings zu hoch ist, bleibt dieser Ansatz derzeit noch den lokalen Erhebungen vorbehalten. Auch detaillierte lokale Geländeaufnahmen zur Versiegelung sind nicht flächendeckend anwendbar (Breuste et al. 1996, Gunreben and Schneider 2001). Hauptkritikpunkt ist die mangelnde Übertragbarkeit lokaler Ergebnisse in die Fläche. Aktuelle Ansätze der Europäischen Umweltagentur und der GMES Initiative versuchen räumlich explizite Versiegelungsraten für Europa zu ermitteln GMES 2010.

Eine weitere Gruppe von Ansätzen versucht über Kennzahlen für verschiedene Nutzungsstrukturtypen eine großflächige Abschätzung der Versiegelung zu erreichen. Arlt et al. 2001b schätzen die versiegelte Fläche für die kreisfreien Städte Deutschlands, indem ein Zusammenhang zwischen der versiegelten Fläche und der Bevölkerungsdichte bzw. dem Siedlungs- und Verkehrsflächenanteil einer Region hergestellt wird. Arlt et al. 2001a verwenden noch weitere statistische Kennzahlen wie die Bruttowertschöpfung oder den Freiflächenanteil je Einwohner, um mittels einer Regressionsanalyse den Anteil der versiegelten Fläche zu ermitteln. Im Rahmen der Umweltökonomischen Gesamtrechnung der Länder (UGRdL) sollte der Indikator Bodenversiegelung methodisch einheitlich erhoben werden. Das gewählte Verfahren basiert auf einer Untersuchung von Singer 1995. Demnach werden den verschiedenen Nutzungsarten Siedlungs- und Verkehrsfläche spezifische Versiegelungsanteile zugeordnet, die aus Detailaufnahmen ermittelt wurden. Um die Siedlungsstruktur in Deutschland zu berücksichtigen, dass heißt Unterschiede im Versiegelungsgrad zwischen ländlichen Räumen und Städten, wird ein Korrekturfaktor Siedlungsflächendichte eingeführt. Dieser wiederum wird mit einer Regressionsanalyse ermittelt (Gunreben et al. 2007).

1.3.3. Kommunale Bevölkerungsverteilung

Regionalisierungsansätze beinhalten beispielsweise proportionale Verteilungen oder Optimierungsverfahren. Die Herausforderung für das Elbeeinzugsgebiet liegt darin, dass berücksichtigt werden muss, dass die Siedlungsfläche in einigen Regionen weiter zunimmt, obwohl die Bevölkerungszahl rückläufig ist. Gleichzeitig werden aber auch Bevölkerungs- und Siedlungsflächenzunahme mit einhergehendem Anstieg der Bevölkerungsdichte beobachtet. Diese in der Vergangenheit beobachteten Prozesse werden auch für die Zukunft erwartet. Da ein Optimierungsverfahren, welches in GLOWA-Elbe II angewendet wurde, teilweise zu extremen Verschiebungen der Bevölkerungszahl geführt hat, soll dieses


6

Verfahren nicht weiter angewendet werden. Proportionale Verteilung berücksichtigen die angesprochenen Prozesse nicht hinreichend. Daher muss ein neues Verfahren erprobt werden.

2. Daten und Methoden

2.1. Generelle Methodik

Die grundlegende Methodik des Land Use Scanner Elbe wurde in Hoymann 2008 detailliert dargestellt (Abbildung 1). In einem iterativen Optimierungsverfahren werden die regionalen Raumansprüche entsprechend ihrer lokalen Eignung, welche durch die Standortfaktoren in den Eignungskarten bestimmt ist, verglichen und die Änderungen aller Landnutzungen simultan in der Rasterkarte verortet. Dieses Allokationsverfahren findet mit einem Logit-Modell statt. In seiner ursprünglichen Form entspricht der Algorithmus dem, einer logistischen Regression, indem die Wahrscheinlichkeit bestimmt wird, mit der eine Rasterzelle in Abhängigkeit ihrer Eignung in eine bestimmte Landnutzung konvertiert wird. In dieser Form ist jedoch nicht sicher gestellt, dass die exogen vorgegebenen regionalen Raumansprüche erfüllt werden (Rietveld et al. 2001). Daher werden zwei Randbedingungen eingeführt und die Allokation findet entsprechend der folgenden Gleichung statt:

cj( s )cj j cM a b e α∗= ∗ ∗ (1)

wobei:

Mcj die Menge Land des Landnutzungstyps j in der Rasterzelle c darstellt;

aj einen Faktor darstellt, der dafür sorgt, dass die regionalen Raumansprüche erfüllt werden;

bc einen Faktor darstellt, der dafür sorgt, dass nur die Menge Land in einer Rasterzelle verortet wird, die deren Größe entspricht;

α einen Faktor darstellt, der die Stärke der Berücksichtigung der Eignungskarten berücksichtigt (α=0 zufällige Verteilung der Landnutzungen, α>1 Tendenz zu Homogenität der Landnutzung in einer Rasterzelle).


7

Abbildung 1: Der Land Use Scanner Elbe

Die Randbedingungen, welche durch die Parameter aj und bc implementiert wurden, stellen sicher, dass die regionalen Raumansprüche erfüllt werden und die Menge Land, die in einer Zelle verortet wird der Größe dieser Zelle entspricht (Hilferink and Rietveld 1999). Die Lösung des Modells wird iterativ ermittelt.

2.2. Daten

Neben den bereits in der vergangenen Projektphase verwendeten Daten des BBR und des Statistischen Bundesamtes, wurde vor allem die Datenbasis für den tschechischen Teil des Elbeeinzugsgebiets ausgeweitet. Die statistischen Daten, die zur Berechnung der regionalen Siedlungsflächennachfrage verwendet wurden stammen vom Tschechischen Statistischen Amt. Dies sind vor allem Informationen zur demographischen und wirtschaftlichen Entwick-lung des Landes sowie Zeitreihen zum Wohnungsmarkt. Die Daten für den Zeitraum 1995 bis 2008 sind den jährlichen statistischen Erhebungen und den Daten des Zensus 2001 ent-nommen (CZSO (Czech Statistical Office) 2006, 2008a, b). Des Weiteren wurde eine Haus-haltsprognose genutzt (Bartonová and Kucera 2005). Zusätzlich wurden vom tschechischen Institut für Raumentwicklung kartographische Daten zur Raumordnung zur Verfügung ge-


8

stellt. Dies sind einerseits besonders geschützte Naturgebiete, inklusive Naturschutz- und Natura 2000 Gebieten und andererseits Entwicklungsmerkmale der Gemeinden, anhand derer Entwicklungsachsen für die Raumordnung definiert werden (MMR (Ministerstvo pro Místní Rozvoj) and ÚÚR (Česká Republika Ústav Územníhe Rozvoje) 2006).

Neben diesen neu erschlossenen Datensätzen wurden auch weiterhin die in Hoymann 2008 dokumentierten Datensätze verwendet. Lediglich die administrativen Grenzen wurden auf den Gebietsstand 31.12.2004 aktualisiert (BKG (Bundesamt für Kartographie und Geodäsie) 2005).

2.3. Eignungskarten

Um die Gewichtung der Standortfaktoren für die Eignungskarten auf eine empirische Basis zu stellen, wurde eine binomiale logistische Regression durchgeführt. Die Wahrscheinlichkeit für die Entwicklung von Siedlungsflächen wird im Vergleich zu allen anderen Landnutzungstypen in Abhängigkeit der Eignung mit Hilfe der folgenden Gleichung ermittelt (Verburg et al. 2004a):

c

c

( )

c ( )

eP (y 1)1 e

∗

∗= =+

β X

β X (2)

wobei:

Pc(y=1) die Wahrscheinlichkeit der Rasterzelle c darstellt, um in Siedlungsfläche umgewandelt zu werden;

β der Vektor der geschätzten Regressionskoeffizienten der erklärenden Variablen Xc ist;

Xc der Vektor der erklärenden Variablen für die Rasterzelle c ist.

Die zu erklärende Variable ist gleich eins, wenn die Rasterzelle in Siedlungsfläche verwandelt wurde. Andernfalls ist sie Null.

Der Vorteil einer logistischen Regression gegenüber der Anwendung von Expertenwissen ist, dass die Gewichtung der Standortfaktoren objektiv erfolgt. Dieses Regressionsmodell entspricht dem ursprünglichen Algorithmus des Land Use Scanners ohne Randbedingungen. Daher können die geschätzten Koeffizienten direkt als Gewichte für die Ermittlung der Eignungskarten übernommen werden (Rietveld et al. 2001):

cc c

c

P (y 1)s ln

1 P (y 1) =

= = ∗ − = β X (3)


9

Die Interpretation der geschätzten Koeffizienten gestaltet sich insofern schwierig, da der geschätzte Zusammenhang nicht linear verläuft. Die Vorzeichen der Koeffizienten weisen auf eine positive oder negative Korrelation der erklärenden Variablen und der zu erklärenden Variablen hin. Der Absolutwert der Koeffzienten weißt auf die Steilheit der geschätzten S-Kurve hin. Je höher der Absolutwert ist, desto steiler ist die Kurve und desto größer ist die Veränderung der Wahrscheinlichkeit für Siedlungsflächenentwicklung wenn sich die zu erklärende Variable um eine Einheit verändert (Backhaus et al. 2006).

Es wurden drei verschiedene Schätzungen durchgeführt. Die erste Schätzung berücksichtigte nur das Vorhandensein von Landnutzungstypen in benachbarten Zellen. Die zweite Schätzung nutzte nur Standortfaktoren wie Erreichbarkeitsmaße und die physische Eignung. Schließlich wurden in der dritten Schätzung beide Variablengruppen kombiniert angewendet. Die erste Schätzung wird als autoregressives Modell bezeichnet und berücksichtigt explizit erwartete räumliche Abhängigkeiten. Es wird angenommen, dass benachbarte Landnutzungstypen einen substantiellen Einfluss auf den Landnutzungstyp in der betrachteten Rasterzelle haben (Verburg et al. 2004a). Da diese räumlichen Abhängigkeiten explizit berücksichtigt und in einem eigenständigen Modell geschätzt werden, wird das Maß der räumlichen Autokorrelation, dass heißt der Einfluss der Nachbarschaft auf die betrachtete Rasterzelle, explizit bestimmt (Tobler 1979, Anselin 1988).

Die drei Schätzmodelle werden jeweils für die Analyse der Veränderung der Siedlungsflächen zwischen 1990 und 2000 ermittelt (Verburg et al. 2004a). Die vollständige Liste der Variablen befindet sich in Tabelle 2.


1

Tabelle 2: Liste der berücksichtigten Eignungskarten

Abkürzung / Klassifikation Beschreibung Räumliche Abdeckung

Im L

US

verw

endc

et

Unt

er S

chut

z st

ehen

de

Geb

iete

potstrcprot Biosphärenreservat Elbeeinzugsgebiet (ERB)

potstrcprot FFH Gebiete ERB

potstrcprot Landschaftsschutzgebiete ERB

strcprot Naturschutzgebiete ERB

potstrcprot Naturparks ERB

strcprot Nationalparks ERB

potstrcprot SPA Gebiete ERB

Polit

ikka

rten

Anziehend Potentielle Siedlungsgebiete Berlin-Brandenburg

Verhindernd Regionale Grünzüge Berlin-Brandenburg

Verhindernd Grünzäsuren Mecklenburg-Vorpommern, Thüringen, Regierungsbezirk Leipzig

Verhindernd Vorranggebiet Landwirtschaft Mecklenburg-Vorpommern, Thüringen, Sachsen-Anhalt, Sachsen

Verhindernd Vorsorgegebiet Natur und Landschaft Mecklenburg-Vorpommern, Thüringen, Sachsen-Anhalt, Sachsen

Verhindernd Vorrangebiet Natur und Landschaft Mecklenburg-Vorpommern, Thüringen, Sachsen-Anhalt, Sachsen

Verhindernd Vorranggebiet Rohstoffe Mecklenburg-Vorpommern, Thüringen, Sachsen-Anhalt, Sachsen

Verhindernd Vorsorgegebiet Rohstoffe Mecklenburg-Vorpommern, Thüringen, Sachsen-Anhalt, Sachsen

Verhindernd Vorsorgegebiet Hochwasserschutz Deutschland

Verhindernd Vorranggebiet Hochwasserschutz Deutschland

Verhindernd Vorsorgegebiet Wald Thüringen, Sachsen

Verhindernd Vorranggebiet Wald Thüringen, Sachsen


2

Anziehend Nationaler Entwicklungsplan Tschechische Republik Fü

r Reg

ress

ion

und

LUS

verw

ende

t Erre

ichb

arke

it AUTOBAHMAUSFAHRTEN Euk-

lidische Distanz zu:

Autobahnausfahrten ERB

FLUGHÄFEN Flughäfen ERB

BAHNHÖFE Bahnhöfen ERB

BAHNLINIEN Bahnlinien ERB

STRASSEN Straßen ERB

SIEDLUNGSFLÄCHEN Heutige Siedlungsflächen ERB

METROPOLEN Metropolen ERB

MITTELZENTREN Mittel- und Oberzentren ERB

ERHOLUNG Erholungsgebiete und Grünflächen

ERB

HANGNEIGUNG Hangneigung ERB

Auto

-reg

ress

ive

Var

iabl

en

Die Variablen warden nur beispielhaft erläutert. Der jeweilige Anteil der drei Landnutzungstypen wird für jeden Nachbarschaftsring und beide Jahre berechnet.

FC3_GG1_00

Anteil Siedlungsfläche (GG1) im Jahr 2000 (00) im ersten Ring mit einer 3x3 Zellen Nachbarschaft (FC 3)

ERB

FC3_GG1_90

Anteil Siedlungsfläche (GG1) im Jahr 1990 (90) im ersten Ring mit einer 3x3 Zellen Nachbarschaft (FC 3)

ERB

FC5_GG9_90

Anteil Ackerland (GG9) im Jahr 1990 (90) im zweiten Ring mit einer 5x5 Zellen Nachbarschaft (FC 5)

ERB

FC9_GG10_00

Anteil Grassland (GG10) im Jahr 2000 (00) im dritten Ring mit einer 9x9 Zellen Nachbarschaft (FC 9)

ERB


1

2.4. Siedlungsflächennachfrage

Die Nachfrage nach Siedlungsfläche wird für den deutschen Teil des Elbeeinzugsgebietes auf Basis der Raumordnungsprognose des BBR (BBR (Bundesamt für Bauwesen und Raumordnung) 2006) und gebäudetypspezifischen Dichten errechnet. Die Raumordnungs-prognose enthält drei Teilprognosen für die Bevölkerung, die Haushalte und den Wohnungs-bau, welche für die Ermittlung der Siedlungsflächennachfrage relevant sind. Basierend auf der prognostizierten Bevölkerung für das Jahr 2020 und dem in der Wohnungsprognose an-gegebenen Neubau für Gebäudetypen wird der pro Kopf Neubau ermittelt. Dieser wird dann auf die im Projekt verwendete Bevölkerungsprojektion angewendet (Blazejczak et al. 2008) und mit Hilfe der in der Wohnungsprognose errechneten Wohnfläche je Wohnung die neu zu bauende Wohnfläche für Gebäudetypen ermittelt. Dieses Verfahren ist detailliert bei Hoymann online beschrieben.

Für den tschechischen Teil des Elbeeinzugsgebiets liegt keine Wohnungsprognose vor. Eine Bevölkerungsprognose liegt vom tschechischen Amt für Statistik bis zum Jahr 2050 auf Nuts3 Ebene vor (CZSO (Czech Statistical Office) 2009). Eine Haushaltsprognose liefert lediglich nationale Werte für die Größe der Haushalte und deren Anzahl (Bartonová and Kucera 2005). Es werden allerdings Ergebnisse für die Nuts Regionen der Ebene 2 benötigt.

Die Analyse vergangener Trends für die Entwicklung der Haushalte und ihrer verschiedenen Typen zeigt keine signifikanten Schwankungen der regionalen Anteile an den nationalen Werten. Daher wurde angenommen, dass ein Regionalanteil konstant bleibt. Mit Hilfe solcher Regionalanteile wurden die Ergebnisse der Haushaltsprognose von der nationalen Ebene auf Ebene der Nuts Regionen Level 2 regionalisiert. Die betrifft die Anzahl der Haushalte und die Haushaltsgröße.

Das Verhältnis von Haushalten zu Wohnungen aus dem Jahr 2001, welches auf der Auswer-tung des Zensus basiert (CZSO (Czech Statistical Office) 2008b), wird auch für die Zukunft als konstant angenommen, um aus der Anzahl der Haushalte im Jahr 2020 die Anzahl der Wohnungen in Gebäudetypen zu ermitteln. Aus der sich ergebenden Differenz an Wohnun-gen zum Jahr 2001 ergibt sich der Neubaubedarf in Ein- und Zweifamilienhäusern sowie in Mehrfamilienhäusern. Da keine bessere Datenbasis zur Verfügung steht wird die Wohnflä-che je Wohnung, welche aus dem Zensus 2001 ermittelt wurde, auch für das Jahr 2020 an-gewendet.

Somit steht eine vereinheitlichte Ausgangsdatenbasis für das gesamte Elbeeinzugsgebiet zur Verfügung. Die Ermittlung der Szenarienergebnisse für die Nachfrage nach Siedlungsflä-che ergibt sich dann durch die im ersten Absatz beschriebene Errechnung des pro Kopf


2

Neubaubedarfs und der Anwendung der szenariospezifischen Bevölkerungsentwicklung (Blazejczak et al. 2008).

2.5. Versiegelung

Für die simulierte Siedlungsfläche soll der Anteil der versiegelten Fläche berechnet werden. Die vorgestellten Methoden zur Erfassung versiegelter Fläche verdeutlichen, dass lediglich ein Näherungsverfahren möglich ist. Es kommt das gleiche Verfahren zur Anwendung, wel-ches im Rahmen der UGRdL genutzt wird (Gunreben et al. 2007). Obwohl die Methodik für die Ebene der Bundesländer entwickelt wurde, wird sie analog für die kommunale Ebene angewendet. Die kommunalen Ergebnisse werden im Land Use Scanner dann proportional auf die Rasterebene verteilt. Zunächst wird der Ansatz laut UGRdL erläutert. Darauf aufbau-end wird die spezifische Adaption des Ansatzes erklärt, die sich aus der Berechnung kom-munaler Werte und der Verwendung einer anderen Datenbasis ergibt.

Das Berechnungsverfahren im Rahmen der UGRdL verwendet die Siedlungs- und Verkehrs-fläche (SuV) der Flächenerhebung nach Art der tatsächlichen Nutzung. Für die einzelnen Nutzungsarten der SuV werden Versiegelungsanteile an der Fläche der Nutzungsart ge-schätzt. In Abhängigkeit der Siedlungsdichte variiert der Versiegelungsanteil der einzelnen Nutzungsarten, um der Siedlungsstruktur Rechnung zu tragen und beispielsweise städtische und ländliche Gebiete besser repräsentieren zu können. Die Siedlungsdichte ist definiert als Anteil der SuV an der gesamten Gebietsfläche der administrativen Raumeinheit.

Die spezifischen Versiegelungsanteile für die betrachteten Nutzungsarten beruhen auf eine Reihe von Studien, die für Teilregionen die versiegelte Fläche tatsächlich gemessen haben. Auf der Grundlage dieser Felduntersuchungen wurden Minimal- und Maximalwerte für die Versiegelungsanteile definiert.

Diese Minimal- und Maximalwerte der Versiegelungsanteile werden zur Siedlungsdichte li-near in Beziehung gesetzt. Das heißt, der Minimalwert wird der Region mit der niedrigsten Siedlungsdichte zugeordnet und der Maximalwert korrespondiert mit der Region der höchs-ten Siedlungsdichte. Die Beziehung zwischen diesen beiden Extrem-Regionen lässt sich in einer linearen Gleichung mit Steigung und konstantem Term darstellen. Der Versiegelungs-anteil aller anderen Regionen bestimmt sich aus dieser linearen Beziehung und liegt zwi-schen den beiden Extremen. Die detaillierte Darstellung des Ansatzes ist bei Gunreben et al. 2007 dokumentiert.

Im Rahmen dieser Anwendung wird der Ansatz analog für die Kommunen angewendet. Des Weiteren sind anstelle der SuV die Daten der Corine Land Cover verwendet worden. Dabei wurden die spezifischen Versiegelungsanteile der Nutzungsarten nicht variiert. Lediglich die lineare Beziehung zwischen spezifischem Versiegelungsanteil einer Nutzungsart und der


3

Siedlungsdichte (basierend auf CLC2000) wurde angepasst. Es wurde auch zwischen dem deutschen und dem tschechischen Teil des Elbeeinzugsgebiets unterschieden. Die folgende Tabelle 3 gibt eine Übersicht über die verwendeten Koeffizienten.

2.6. Kommunale Bevölkerungsentwicklung

Die Herausforderung für die Verteilung der regionalen Bevölkerung von Ebene der Rau-mordnungsregionen / Nuts2 auf die kommunale Ebene besteht darin, eine Reihe stattfinden-der Prozesse / Zusammenhänge zwischen Siedlungsflächenentwicklung und Bevölkerungs-entwicklung zu berücksichtigen.

Ändert sich die Siedlungsdichte, wird dies eindeutig durch die Veränderung der Siedlungsflä-che bestimmt, da davon auszugehen ist, dass die administrativen Einheiten unveränderbar sind. Ändert sich allerdings der Indikator Bevölkerung je Siedlungsfläche, ist zunächst nicht eindeutig sichtbar, ob dies aufgrund von Bevölkerungs- oder Siedlungsflächenänderungen oder beidem geschieht. Eine Übersicht über die möglichen Prozesse und ihr Auftreten in Deutschland zeigt Abbildung 2. Aus diesem Grund ist eine proportionale Aufteilung der Be-völkerung nicht sinnvoll.

Stattdessen wurde der Zusammenhang zwischen dem kommunalen Anteil an der regionalen Bevölkerung und dem kommunalen Anteil der regionalen Siedlungsfläche betrachtet. Somit ist es möglich, dass obwohl die Siedlungsfläche einer Kommune zugenommen hat, ihr Anteil an der gesamten Siedlungsfläche der Region gesunken ist. Somit würde auch der Anteil der Bevölkerung in dieser Kommune sinken, ein Vorgang, der in der Vergangenheit beobachtet wurde. Die statistische Analyse dieser beiden Variablen ergab einen linearen Zusammen-hang bei logarithmierten Variablen. Die Schätzergebnisse zeigt Tabelle 4.


4

Tabelle 3: Koeffizienten zur Ermittlung des Versiegelungsanteils auf Basis der UGRdL. Sied-

lungs-fläche verdichtet (CLC 111)

Nicht durch-gängig städtisch geprägtes Gebiet (CLC 112)

Industrie Verkehr Erholung Gesamt

Deutschland

Minimale Siedlungsdichte 0,00 0,00 0,00 0,00 0,00 0,00

Maximale Siedlungsdich-te

0,06 0,94 0,44 0,59 0,33 0,94

Steigung auf Gesamt basierend

0,11 0,11 0,11 0,21 -0,05 0,21

Konstante auf Gesamt basierend

0,45 0,45 0,45 0,50 0,15 0,40

Minimaler Versiege-lungsanteil

0,45 0,45 0,45 0,50 0,15 0,40

Maximaler Versiege-lungsanteil

0,55 0,55 0,55 0,70 0,10 0,60

Tschechien

Minimale Siedlungsdichte 0,00 0,00 0,00 0,00 0,00 0,00

Maximale Siedlungsdich-te

0,02 0,85 0,39 0,26 0,57 0,85

Steigung auf Gesamt basierend

0,12 0,12 0,12 0,24 -0,06 0,24

Konstante auf Gesamt basierend

0,45 0,45 0,45 0,50 0,15 0,40

Minimaler Versiege-lungsanteil

0,45 0,45 0,45 0,50 0,15 0,40

Maximaler Versiege-lungsanteil

0,55 0,55 0,55 0,70 0,10 0,60


5

Tabelle 4: Modell zur Schätzung des kommunalen Bevölkerungsanteils an einer ROR / Nuts2. Abhängige Variable: log. Anteil der kommunalen Bevölkerung

Koeffizient Standardfehler

Konstante 0.483 0.021

log. Anteil Siedlungsfläche in einer ROR / Nuts2 1.158 0.004

korr. R² 0.896

Abbildung 2: Ursache für die Veränderung des Indikators Bevölkerung je Siedlungs-fläche.


6

3. Ergebnisse

3.1. Eignungskarten

Zur Ermittlung der Eignungskarten wurden die Standorte neu entstandener Siedlungsflächen zwischen 1990 und 2000, basierend auf den Daten der Corine Land Cover, mit Hilfe einer binomialen logistischen Regression geschätzt. Eine erste Schätzung wies zwei Probleme auf. Durch die Lage von Flughägen in räumlicher Nähe zu größeren Städten und somit auch zu größeren Siedlungsflächen, weist die Distanz zu Flughäfen eine starke Korrelation mit der Distanz zu Metroopolen und Oberzentren auf. Des Weiteren deuten die Vorzeichen der Nachbarschaftsmaße mit zunehmender Distanz zu einer Zelle unklare Zusammenhänge an. Aus diesem Grund wurden in einer zweiten Schätzung die Distanz zu Flughäfen sowie die Nachbarschaftsmaße mit einem äußeren Durchmesser von 17 oder mehr Zellen nicht weiter berücksichtigt. Die Koeffizienten der sich ergebenden Schätzmodelle werden in Tabelle 5 dargestellt.

Die Vorzeichen der Koeffizienten des autoregressiven Modells sind wie erwartet. Je höher der Anteil Siedlungsfläche in der Nachbarschaft ist, desto höher ist die Wahrscheinlichkeit, dass eine Rasterzelle in Siedlungsfläche konvertiert wird. Dieser Zusammenhang trifft aller-dings nur bis zu einer bestimmten Distanz zu, der mit der durchschnittlichen Patch-Größe der Siedlungsflächen in Verbindung steht. Der kleiner Koeffizient für FC9_GG1_90 deutet darauf hin, das Siedlungsflächen zwar in der Nähe zu bestehenden Siedlungsflächen entste-hen, aber nicht zwangsläufig in direkter Verbindung mit ihnen. Der positive Zusammenhang zwischen dem Anteil Ackerflächen in der Nachbarschaft und neu entstandener Siedlungsflä-chen bestätigt die Beobachtung, dass Siedlungsflächen fast ausschließlich auf Ackerflächen entstehen.

Das Modell, welches weitere Standortfaktoren als unabhängige Variablen verwendet, zeigt, dass auch diese Faktoren einen signifikanten Einfluss auf die Entstehung von Siedlungsflä-chen haben. Die Wahrscheinlichkeit für neue Siedlungsflächen nimmt mit zunehmender Dis-tanz zu Bahnhöfen, Straßen, Autobahnausfahrten und bestehenden Siedlungsflächen ab. Die Wahrscheinlichkeit für Siedlungsflächen steigt allerdings bei Bahnlinien mit zunehmen-der Distanz. Dafür gibt es zwei Erklärungsansätze. Einerseits besteht nicht überall Zugang zu den Bahnlinien, sondern nur an Bahnhöfen und andererseits wird so eine übermäßige Lärmbelästigung vermieden. Eine Lärmbelästigung tritt sicherlich auch an Straßen auf. Aller-dings sind diese unverzichtbar, um Zugang zur Verkehrsinfrastruktur zu erlangen. Des Wei-teren zeigt das Modell, dass neue Siedlungsflächen vor allem in den Mittel- und Oberzentren entstanden sind und nicht in den wirtschaftlich dominanten Metropolen. Somit bestätigt die


7

Schätzung Aussagen darüber, dass es eine Entkopplung zwischen Siedlungsflächenentwick-lung und wirtschaftlicher Entwicklung gibt.

Das dritte Modell, welches beide Variablengruppen gemeinsam betrachtet führt zu ähnlichen Ergebnissen. Jedoch zeigen die Koeffizienten der Distanzmaße, der Hangneigung und der Nachbarschaftsmaße kleinere Werte. Dies weist darauf hin, dass sich die Variablen gegen-seitig ausbalancieren, damit ihr individueller Einfluss nicht zu groß wird. Nur die Variable FC13_GG1_90 zeigt ein abweichendes Vorzeichen im Vergleich zum entsprechenden Teil-modell. Eine genaue Erklärung für diesen Effekt ist schwierig, steht aber in Zusammenhang mit der durchschnittlichen Patch-Größe einer Siedlung. Daraus ist zu schließen, dass Nach-barschaftsmaße nur bis zu einem Durchmesser berücksichtigt werden sollten, der der mittle-ren Patch-Größe der Siedlungsflächen entspricht.

Die ROC-Werte aller drei Modell-Varianten zeigen eine hohe Vorhersagekraft, wobei das Modell mit allen Variablen den höchsten ROC-Wert aufweist und somit auch für die nachfol-gende Landnutzungsmodellierung verwendet wird.

Tabelle 5: Geschätzte Koeffizienten der binomialen log. Regression. Geschätzt wurde die Veränderung der Siedlungsfläche zwischen 1990 und 2000. Methode ist Ein-schluss.

Autoregressives Modell

Modell mit weiteren Standortfaktoren

Vollständiges Modell

Eukl

idis

che

Dis

tand

zu

Autobahnausfahrten -2.934*** -2.887***

Bahnhöfen -1.678** -1.624**

Bahnlinien 0.714* 0.703*

Straßen -6.314*** -6.207***

Heutige Siedlungs-flächen

-9.216*** -4.790***

Metropolen 0.185 -0.024

Mittel- und Oberzen-tren

-0.563** -0.556*

Erholungsgebiete und Grünflächen

-1.473*** -1.527***

Hangneigung -10.279*** -6.127***

FC3_GG1_90 2.129*** 1.509***


8

FC5_GG1_90 3.829*** 3.037***

FC9_GG1_90 0.39 0.098

FC13_GG1_90 1.153** -1.991***

FC3_GG9_90 2.281*** 2.219***

FC5_GG9_90 0.236 0.082

FC9_GG9_90 0.711** 0.466

FC13_GG9_90 -1.763 -2.08***

FC3_GG10_90 0.863*** 0.851**

FC5_GG10_90 1.276** 1.205**

FC9_GG10_90 -0.544 -0.924

FC13_GG10_90 -0.697*** -1.255**

Constant -2.639*** 1.535*** 0.343**

ROC-value 0.786 0.800 0.837

* Indicates statistical significance at the 10% level. ** Indicates statistical significance at the 5% level. *** Indicates statistical significance at the 1% level.

3.2. Bedarfsentwicklung der Siedlungsflächen

Die für die Raumordnungsregionen in Deutschland und Nuts 2 Regionen in Tschechien er-mittelte Nachfrage nach Siedlungsfläche beträgt 5 – 15% im Zeitraum 2000 bis 2020 und variiert in den verschiedenen Szenarien. Abbildung 3 zeigt die Nachfrage nach Siedlungsflä-che aggregiert für siedlungsstrukturelle Gebietstypen. Die hohen Siedlungsflächenzuwächse sind vor allem in den Szenarien ohne verstärkte Umweltorientierung zu erwarten. Die Szena-rien mit verstärkter Umweltorientierung zeigen lediglich Zuwächse um die 6%. Es wird deut-lich, dass die Unterschiede in der Siedlungsflächennachfrage für die beiden sozioökonomi-schen Entwicklungsrahmen A1 und B2 deutlich niedriger sind, als zwischen den beiden Aus-prägungen der Umweltpolitik. Das bedeutet, um eine deutliche Reduktion der Siedlungsflä-chennachfrage für die Zukunft zu erzielen, ist es nicht ausreichend, auf eine Entlastungswir-kung durch den demographischen Wandel zu warten. Der westdeutsche Agglomerations-raum zeigt auch hier Siedlungsflächenzuwächse von mehr als 10%. Diese Region stellt aus-schließlich Hamburg und sein Umland dar, welches auch durch verhältnismäßig hohe Bevöl-kerungszuwächse gekennzeichnet ist (Blazejczak et al. 2008). Des Weiteren zeigt sich, dass


9

es eine Verschiebung der Flächennachfrage von den verstädterten und ländlichen Gebieten hin zu den wirtschaftlich starken Metropolräumen gibt. Dies kann zu einer verstärkten Polari-sierung zwischen den Regionen führen. Basierend auf der detaillierteren Datengrundlage für den tschechischen Teil des Elbeeinzugsgebiets, zeigt das Szenario A10 keine Zuwächse von über 30% mehr (Hoymann 2008). Stattdessen ähnelt die tschechische Entwicklung dem deutschen Muster.

Abbildung 3: Aggregierte Siedlungsflächennachfrage für Szenarien.

3.3. Modellsimulationen mit dem Tool

Sowohl die Ergebnisse der log. Regression für die Ermittlung der Eignungskarten als auch die regionale Siedlungsflächennachfrage wurden in das Landnutzungsmodell Land Use Scanner integriert. Die Szenarioergebnisse werden in den folgenden Abschnitten dargestellt.


10

3.3.1. Simulierte Siedlungsflächenentwicklung

Aus Darstellungsgründen werden die Simulationsergebnisse von der Ebene der Rasterzellen auf die Ebene der Gemeinden aggregiert. Abbildung 4 zeigt die lokale Verteilung der künfti-gen Siedlungsflächenentwicklung. Am stärksten betroffen sind die Gemeinden im Umland der Metropolen Hamburg, Berlin und Prag. In den Szenarien ohne verstärkte Umweltorientie-rung zeigen auch zahlreiche Umlandgemeinden von Ober- und Mittelzentren deutliche Sied-lungsflächenzuwächse. Durch die räumlich explizite Simulation wird deutlich, dass auch in-nerhalb einer Raumordnungs- oder Nuts2 Region keine homogene Entwicklung stattfindet. Exemplarisch wurde zur Verdeutlichung in die Raumordnungsregion Oberes Elbtal / Osterz-gebirge eingezoomt. Der Großteil der Gemeinden zeigt einen Siedlungsflächenzuwachs von 5 – 10% auf. Doch vor allem die im Westen an Dresden angrenzenden Gemeinden wachsen um mehr als 15%. Weiter von Dresden entfernte Gemeinden, vor allem im Grenzgebiet zur Tschechischen Republik, zeigen dagegen einen deutlich unterdurchschnittlichen Zuwachs an Siedlungsfläche.

Im Gegensatz zu den Ergebnissen aus der vorangegangenen Projektphase finden Sied-lungsflächenzuwächse im tschechischen Teil des Elbeeinzugsgebiets deutlich stärker auf Städte und ihr Umland konzentriert statt. Diese Fokussierung wird verursacht durch die Ver-wendung der gemeindlichen Gebietsplanung und der Schutzgebiete in den Eignungskarten. Dies stellt somit eine wesentliche Verbesserung der räumlichen Datengrundlage für Tsche-chien dar.


11

Abbildung 4: Siedlungsflächenentwicklung in den Gemeinden des Elbeeinzugsgebiets in Prozent zwischen 2000 und 2020.


12

3.3.2. Kommunale Bevölkerungsentwicklung

Das räumliche Muster der kommunalen Bevölkerungsentwicklung orientiert sich an der Ver-teilung der Siedlungsflächen. Die dominante Stellung der Metropolen wird allerdings noch deutlich stärker betont (Abbildung 5). Bevölkerungszuwächse von über 10% können somit die Metropolregionen Hamburg, Berlin, Sachsendreieck und Prag erwarten. Dabei werden die Bevölkerungsgewinne nicht in den eigentlichen Metropolstädten sondern in ihrem ländli-chen Umland realisiert. Gleichzeitig wird es aber auch Regionen geben, die weiterhin erheb-liche Bevölkerungsverluste verzeichnen. Dies betrifft vor allem Gemeinden in Sachsen-Anhalt, dem östlichen Sachsen, dem südlichen Brandenburg und Thüringen. Im tschechi-schen Teil des Elbeeinzugsgebiets sind die Bevölkerungsverluste überwiegend in den peri-pheren Bergregionen zu finden. Die doch enormen Zuwächse vor allem in Brandenburg und Sachsen ergeben sich aus den sehr optimistischen regionalen Bevölkerungsprojektionen, welche als Eingangsdaten dienten (Blazejczak et al. 2008). Die folgende Tabelle 6 gibt einen Überblick über die regionale Bevölkerungsprojektion in GLOWA-Elbe im Vergleich zur aktu-ellen Bevölkerungsprognose der Raumordnungsprognose des BBR (BBR (Bundesamt für Bauwesen und Raumordnung) 2006).

Tabelle 6: Exemplarischer Vergleich regionaler Bevölkerungsprojektionen. Bevölke-rungsentwicklung 2003 bis 2020 in Prozent.

Raumordnungsregion GLOWA-Elbe Globalisierng

GLOWA-Elbe Dif-ferenzierung

Raumordnungs-prognose 2020/2050 BBR

Oderland-Spree (Region Berlin)

9,1 8,5 2,5

Prignitz-Oberhavel (Region Berlin)

7,8 7,0 1,0

Berlin 5,2 4,2 -2,2

Schleswig-Holstein Süd (Region Hamburg)

8,1 7,5 4,7

Hamburg 5,5 4,5 2,1


13

Abbildung 5: Kommunale Bevölkerungsentwicklung 2003 bis 2020 in Prozent


14

Es wird deutlich, dass die Projektionen, die im Rahmen von GLOWA-Elbe angenommen wurden deutlich optimistischer sind, als in der Raumordnungsprognose. Dies wiederum be-einflusst das räumliche Muster. Die Siedlungsflächen- und Bevölkerungsentwicklung findet in den Szenarien in einem deutlich größeren Umkreis um die Metropolstädte statt, als in der Raumordnungsprognose 2020/2050. Neben der optimistischen regionalen Bevölkerungspro-jektion gibt es einen weiteren Grund für die großräumige Zunahme der Bevölkerung auch in ländlichen Regionen. Da der Verteilungsalgorithmus von der Verteilung der Siedlungsflächen abhängt müssen diese in die Betrachtung mit einbezogen werden. Durch die im Landnut-zungsmodell verwendeten Eignungskarten werden die Standortentscheidungen beeinflusst. Die Eignung für Siedlungsflächen ist nach der statistischen Analyse im nahen Umland um Berlin besonders hoch. Allerdings ist es unter Berücksichtigung der räumlichen Planungen nicht möglich die Siedlungsflächennachfrage vor allem in der Region Berlin im direkten Berli-ner Umland zu alloziieren. Daher findet auch eine Siedlungsflächenzunahme in größeren Entfernungen zu Berlin statt. Dieses Muster wird zusätzlich durch die Form der Raumord-nungsregionen, für die die Siedlungsflächennachfrage bestimmt wird, begünstigt. Die Rau-mordnungsregionen sind sternförmig um Berlin angeordnet. Somit hat jede Region einen Anteil am metropolnahen „Speckgürtel“ der Stadt und an den metropolfernen ländlichen Re-gionen.

3.3.3. Versiegelung

Durch die flächendeckende Zunahme an Siedlungsfläche steigt auch die versiegelte Fläche an. Die prozentuale Veränderung des versiegelten Anteils der Siedlungsfläche zeigt Abbil-dung 6. Auch hier zeigt sich, dass vor allem das Umland der Metropolregionen von massiven Zuwächsen der versiegelten Fläche betroffen ist. Die Erhöhung des Anteils versiegelter Flä-che resultiert dabei vor allem aus der Zunahme von Flächen für Wohnnutzungen. Vor allem der Vergleich der Entwicklungsrahmen mit und ohne verstärkte Umweltorientierung, welcher durch unterschiedliche Wohnflächendichten charakterisiert sind, zeigt die Wirksamkeit erhöh-ter baulicher Dichten. Ein entlastender Effekt durch die demographische Entwicklung ist un-ter den gegebenen sozioökonomischen Projektionen nicht zu erwarten. Im Rahmen der Nachhaltigkeitsdiskussion zeigt die Abbildung die räumlichen Hotspots besonders gut.


15

Abbildung 6: Prozentuale Veränderung des Anteils versiegelter Flächen zwischen 2000 und 2020.


16

4. Diskussion

Die hier vorgestellten Methoden und ihre Anwendung im Landnutzungsmodell Land Use Scanner integrieren einerseits regionale sozioökonomische Projektionen in die Ermittlung der Siedlungsflächennachfrage und analysieren gleichzeitig den Einfluss der Siedlungsfläche auf die Nachhaltige Entwicklung.

Vor allem die Ermittlung der Eignungskarten mit Hilfe einer logistischen Regressionsanalyse stellt einen erheblichen Fortschritt dar. Dafür ist nicht allein die Objektivierung der Gewich-tung für die einzelnen Standortfaktoren verantwortlich sondern vor allem die szenariospezifische Adaption der Regressionsergebnisse. Weitere Fortschritte wären mög-lich, wenn regional differenzierte Regressionsanalysen durchgeführt werden, die beispiels-weise Prototypregionen für einzelne Szenarien darstellen. Auf diese Weise ließe sich die Bewertung der Standorteigenschaften weiter präzisieren.

Die Ermittlung der kommunalen Bevölkerungsentwicklung unterliegt auch weiterhin hohen Unsicherheiten, vor allem in den angesprochenen Metropolräumen Berlin und Sachsendrei-eck. Da der Regionalisierungsmethodik keinerlei Wanderungsmatrizen, Geburten- oder Ster-betafeln zu Grunde liegen, können die dargestellten Ergebnisse nur eine grobe Abschätzung sein.

Die Adaption des UGRdL-Ansatzes zur Ermittlung der versiegelten Flächen ist dagegen als erfolgreich anzusehen. Obwohl auch in diesem Ansatz verallgemeinernde Annahmen getrof-fen werden mussten, bezieht sich diese Methode nun auf die Siedlungsdichte und nicht allein auf die Bevölkerungsdichte.

Gegenüber den Ergebnissen aus der vorangegangenen Projektphase zeigt die Siedlungsflä-chenentwicklung keine gravierenden Veränderungen. Auch die Beurteilung, ob das vom Nachhaltigkeitsrat der Bundesregierung vorgegebene Ziel, die tägliche Neuinanspruchnah-me von Siedlungs- und Verkehrsflächen von 120ha im Jahr 2000 auf 30ha im Jahr 2020 zu reduzieren, führt zu keinem neuen Ergebnis. Erst die Kombination aus dem Differenzie-rungsszenario mit einer hohen baulichen Dichte erreicht annähernd das vorgeschlagene Ziel. Unter Verwendung einer anderen Bevölkerungsprojektion könnte das Ergebnis allerdings anders ausfallen.

Es ist somit ein Modellierungswerkzeug entwickelt worden, mit dem es möglich ist räumliche Politiken ex ante zu analysieren und ggf. unerwartete negative Wirkungen dieser Politiken aufzuzeigen. Damit stellt das Werkzeug einen wichtigen Baustein bei der Diskussions- und Entscheidungsunterstützung der räumlichen Planung dar.


17

5. Literatur Anselin L (1988) Spatial Econometrics: Methods and Models., Vol, Dordrecht Arlt G, Gössel J, Heber B, Hennersdorf J, Lehmann I, Thini NX (2001a) Auswirkungen städtischer

Nutzungsstrukturen auf Bodenversiegelung und Bodenpreis. IÖR-Schriften, Dresden Arlt G, Heber B, Lehmann I (2001b) Nutzungsstrukturelle Determinanten städtischer Bodenversiegelung.

Stadtforschung und Statistik:31-37 Aspinall RJ (2004) Modelling land use change with generalized linear models - a multi-model analysis of change

between 1860 and 2000 in Gallatin Walley, Montana. Journal of Environmental Management 72:91-103

Backhaus K, Erichson B, Plinke W, Weiber R (2006) Multivariate Analysemethoden. Eine anwendungsorientierte Einführung., Vol, Berlin

Bartonová D, Kucera M (2005) Prognóza Cenzových Domácností v Ceské Republice na Období do Roku 2030. Demografie 47:229-244

BBR (Bundesamt für Bauwesen und Raumordnung) (2006) Raumordnungsprognose 2020/2050., Vol 23, Bonn BBR (Bundesamt für Bauwesen und Raumordnung) (2007) INKAR 2006 - Indikatoren, Karten und Graphiken

zur Raum- und Stadtentwicklung in Deutschland und in Europa. BKG (Bundesamt für Kartographie und Geodäsie) (2005) ATKIS® DLM1000, ©ATKIS (Amtliches

Topographisch-Kartographisches Informationssystem), Leipzig Blazejczak J, Gornig M, Schulz E, Schäpel C (2008) Szenarien zur Demographie und Ökonomie in der Elbe-

Region. Wirkungen des globalen Wandels auf den Wasserkreislauf im Elbegebiet - Risiken und Optionen. Schlussbericht zum BMBF-Vorhaben GLOWA-Elbe II, Report No., Potsdam Institut für Klimafolgenforschung, Potsdam

Borsboom-van Beurden J, Bakema A, Tijbosch H (2007) A land-use modelling system for environmental impact assessment. In: Koomen E, Stillwell J, Bakema A, Scholten HJ (eds) Modelling Land-Use Change. Progress and Application., Vol 90, Dordrecht, p 281-296

Borsboom-van Beurden J, de Regt W, Schotten K (2002) Land Use Scanner: the continuous cycle of application, evaluation and improvement in land use modelling. In: Faculty of Spatial Planning, University of Dortmund (eds) Proceedings of the 42nd congress of the European Regional Science Association, Dortmund, Germany

Breuste J, Keidel T, Meinel G, Münchow B, Netzband M, Schramm M (1996) Erfassung und Bewertung des Versiegelungsgrades befestigter Flächen., Vol, Leipzig

Bundesregierung (2008) Fortschrittsbericht 2008 zur nationalen Nachhaltigkeitsstrategie. Für ein nachhaltiges Deutschland., Berlin

CZSO (Czech Statistical Office) (2006) Statistical Yearbook of the Czech Republic 2006., Praha, Czech Republic

CZSO (Czech Statistical Office) (2008a) Analysis of housing construction in 2007., Praha, Czech Republic CZSO (Czech Statistical Office) (2008b) SČÍTÁNÍ LIDU, DOMŮ A BYTŮ K 1. 3. 2001., Praha, Czech

Republic CZSO (Czech Statistical Office) (2009) Expected Total Population up to 2066., Praha, Czech Republic Dendoncker N, Bogaert P, Rounsevell M (2007) Empirically derived probability maps to downscale aggregated

land-use data. In: Koomen E, Stillwell J, Bakema A, Scholten HJ (eds) Modelling Land-Use Change. Progress and Application., Vol 90, Dordrecht, p 117-131

GMES (2010) Gunreben M, Dahlmann I, Frie B, Hensel R, Penn-Bressel G, Dosch F (2007) Die Erhebung eines bundesweiten

Indikators "Bodenversiegelung". Bodenschutz:34-38 Gunreben M, Schneider J (2001) Entsiegelung von Böden: Wann und Wie? Arbeitshefte Boden 3:55-93 Heaney JP, Huber WC, Sheikh H, Medina MA, Doyle JR, Peltz WA, Darling JE (1975) Urban Stormwater

Management Modeling and Decision-Making., Vol EPA-670/2-75-022. U.S. Environmental Protection Agency, Cincinnati

Hilferink M, Rietveld P (1999) LAND USE SCANNER: An integrated GIS based model for long term projections of land use in urban and rural areas. Journal of Geographic Information Systems 1:155-177

Hoymann J (2008) Szenarien der Siedlungsflächenentwicklung im Elbeeinzugsgebiet. Wirkungen des globalen Wandels auf den Wasserkreislauf im Elbegebiet - Risiken und Optionen. Kapitel 2 des Schlussberichts zum BMBF-Vorhaben GLOWA-Elbe II, Report No., Potsdam


18

Hoymann J (2010) Quantifying demand for built-up area - A comparison of approaches and application to regions with stagnating population. Working Paper On Management In Environmental Planning, Berlin

Hoymann J (online) Accelerating urban sprawl in depopulating regions - a scenario analysis for the Elbe River Basin. Regional Environmental Change

Koomen E (Revised Version) Simulating land-use change in a regional planning context. Applied Spatial Analysis and Policy

Loonen W, Koomen E (2009) Calibration and validation of the Land Use Scanner allocation algorithms. Background Studies, Report No., Bilthoven

Millington JDA, Perry GLW, Romero-Calcerrada R (2007) Regression techniques for examining land use/cover change: A case study of a mediterranean landscape. Ecosystems 10:562-578

MMR (Ministerstvo pro Místní Rozvoj), ÚÚR (Česká Republika Ústav Územníhe Rozvoje) (2006) Spatial Development Policy of the Czech Republic.

Pontius Jr RG, Batchu K (2003) Using the Relative Operating Characteristic to Quantify Certainty in Prediction of Location of Land Cover Change in India. Transactions in GIS 7:467-484

Rietveld P, Scholten HJ, Stillwell J (2001) EuroScanner: A Simulation Model for Land Use Chane in Europe. In: Stillwell J, Scholten HJ (eds) Land Use Simulation for Europe., Dordrecht, p 235-244

Schotten CGJ, Goetgeluk R, Hilferink M, Rietveld P, Scholten HJ (2001) Residential construction, land use and the environment. Simulations for the Netherlands using a GIS-based land use model. Environmental Modeling and Assessment 6:133-143

Schreiber H, Behrendt H (2004) Harmonised land cover data for the estimation of nutrient inputs in European river systems - The example of the Danube River. In: Umweltbundesamt (ed) CORINE Land Cover 2000 in Germany and Europe and its use for Environmental Applications. 20-21 January 2004, Vol 04/04, Berlin, p 86-95

Singer C (1995) Stadtökologisch wertvolle Freiflächen in Nordrhein-Westfalen., Vol 6069, Dortmund Tobler W (1979) Cellular Geography. In: Gale S, C. O (eds) Philosophy in Geography., Dordrecht, p 379-386 Turner MG, Wear DN, Flamm RO (1996) Land Ownership and Land-Cover Change in the Southern

Appalachian Highlands and the Olympic Peninsula. Ecological Applications 6:1150-1172 Verburg PH, Ritsema van Eck JR, de Nijs TCM, Dijst MJ, Schot P (2004a) Determinants of land-use change

patterns in the Netherlands. Environment and Planning B: Planning and Design 31:125-150 Verburg PH, Schot P, Dijst MJ, Veldkamp A (2004b) Land use change modelling: current practice and research

priorities. GeoJournal 61:309-324 Wear DN, Bolstad P (1998) Orginal Article: Land-Use Changes in Southern Appalachian Landscapes: Spatial

Analysis and Forecast Evaluation. Ecosystems 1:575-594

Documents

Wirkungen des sozioökonomischen Wandels auf die ... · area is provided. Finally, the results are used to derive the sealed surface fraction and the Finally, the results are used