Wie digitale Technologien die moderne Wirtschaftsforschung bereichern – ein Werkstattbericht

Die Erstellung des Bauerfolg-Indikators

Die Grundidee des Bauerfolg-Indikators ist einfach: Es werden Bildteile verwendet, die Bauprojekte zu verschiedenen Zeitpunkten darstellen. Ist der Unterschied zwischen einem Bildteil und dem nächsten gross, so dass darauf z.B. ein verändertes Gebäude zu sehen ist, ergibt sich ein Signal für einen Umbau. Ist dies nicht der Fall, bleibt das Signal aus. In Grafik G 7 – Beobachtungen im Zeitraffer sollte beispielsweise ein Signal für Neubau (6. Bild von links) vorliegen.

Obwohl die Grundidee einfach ist, wirft das Projekt einige Probleme auf. Zum einen ist die Erstellung der Bildserien umfangreich und erfordert einen Prozess, der von den jeweiligen Koordinaten einer Baugenehmigung abhängt. Grafik G 6 veranschaulicht den Prozess. Schritt für Schritt wird für jede Beobachtung eine Vergrösserung erstellt.

Zum anderen sind klassische statistische Methoden zur Analyse von Bildveränderungen ungeeignet – jedes Pixel in den Farben Rot, Gelb und Grün bestimmt einen Eingabeparameter, was mehr als 150 000 Variablen pro Bild entspricht. Es ist daher notwendig, die Datenmenge zu reduzieren und in einem zweiten Schritt ein Modell darauf aufzubauen, das es ermöglicht, mit weniger Trainings-daten deutliche Fortschritte bei der Klassifizierung zu erzielen. Dieser Prozess wird als Transferlernen bezeichnet.

Beim Transferlernen werden Modelle verwendet, deren Parameter bereits anhand von markierten Daten festgelegt wurden, die aber wenig mit Fernerkundungsbildern zu tun haben und sich auf verschiedene Unterkategorien beziehen können (z.B. Tiere, Möbel und andere Objekte). Nichtsdestotrotz können diese Modelle, die auf Convolutional Neural Networks (CNN)¹ basieren, Kanten, Farbkombinationen und Hauptkomponenten aus Bildern extrahieren. Dies geschieht über mehrere Schichten (siehe Grafik G 8). Sogenannte «Convolutional Layer» fassen Pixel-Matrizen wie Filter in Vektoren zusammen (dargestellt in Schritt (1.)). Bevor diese weiter genutzt werden können, um ein Objekt zu klassifizieren, wird das Netzwerk abgebrochen (dargestellt in Schritt (2.)). Die erhaltenen Vektoren sind nun eine stark reduzierte Version eines Bildes.

Sodann werden die beschriebenen Vektoren in Grafik G 9 nochmals dargestellt. Die Vektoren werden voneinander subtrahiert und bilden den Input für ein neues Modell (dargestellt in Schritt (4.)). Das ausgewählte Modell (4.) kann nunmehr mit deutlich weniger Eingabeparametern (X1, X2, X3) arbeiten und erzielt am Beispiel unserer Daten eine Trefferquote von über 85%. In Anbetracht der Tatsache, dass viele Baustellen aus der Luft kaum von Neubauten zu unterscheiden sind, sind dies extrem gute Ergebnisse.

Die Ergebnisse des Bauindikators

Grafik G 10 zeigt die Ergebnisse des beschriebenen Verfahrens und den finalen Bauerfolg-Indikator. Die Y-Achse gibt die aggregierte durchschnittliche Erfüllungsrate an, d.h., ob das Baugesuch von dem Algorithmus als erfolgreich (+1) oder nicht erfolgreich (-1) eingestuft wurde. Die Daten wurden so normiert, dass der Durchschnitt gleich null und die Varianz gleich eins ist. Um die Aussagekraft der generierten Erfolgsrate zu testen, wird auf die Zweitwohnungsinitiative fokussiert, die am 11. März 2012 in Kraft trat und ein Verbot von neuen Zweitwohnungen vorsieht, sobald der Anteil der Zweitwohnungen in einer Gemeinde 20% übersteigt. Der graue Balken in der Abbildung stellt den Zeitraum ab Inkrafttreten der Initiative bis zum 31.12.2012 dar. Die Hypothese ist, dass aufgrund der Initiative weniger Bauvorhaben erfolgreich waren.

In der Grafik zeigt sich ab Inkrafttreten der Initiative ein deutliches Absinken des Bauerfolg-Indikators, mit einem Tiefstand im Herbst 2013. Das ist wohl damit zu erklären, dass das überraschende Abstimmungsergebnis zu einer Flut von Anträgen geführt hat, die überproportional von denjenigen eingereicht wurden, die noch auf die Umsetzung ihres Bauprojekts hofften, bevor die Initiative in Kraft getreten ist. Diese Anträge dürften schlechter geplant worden oder unter das Verbot gefallen sein. Die daraus resultierende Erfüllungsquote ist daher in diesem Zeitraum deutlich niedriger und zeichnet sich so auch in der Grafik ab. Eine detailliertere Analyse der Bauerfolgsquote ist noch notwendig, um externe Faktoren auszuschliessen, so dass kausale Schlussfolgerungen aus diesem Pilotprojekt gezogen werden können.

Schliesslich stellt die Anwendung dieser Algorithmen und Bilddaten eine enorme Chance für die Wirtschaftswissenschaften dar, zumal immer mehr Petabytes an Satellitenbildern öffentlich verfügbar werden und moderne Cloud-basierte Rechenleistungen zur Verfügung stehen. Insbesondere mit der zunehmenden Bedeutung von Umweltthemen dürfte auch die Bedeutung für die Sozialwissenschaften wachsen und eine intensivere Beschäftigung mit Luftbildern zu erwarten sein.

-----------------------------------

¹ CNNs sind – grob vereinfacht – vielschichtige, neurale Netzwerke, die vor allem in der Bildverarbeitung zum Einsatz kommen.