Entwaldung, Kühe und Daten: Ein datengestütztes Pilotprojekt zur positiven Abweichung im ecuadorianischen Amazonasgebiet
Ana M. Grijalva, Paulina Jiménez, Basma Albanna, Jeremy Boy |
Die Entwaldung ist ein alarmierendes Problem für die Amazonasregion. Allein in Ecuador schrumpft der Regenwald jährlich um Hunderte Hektar. Dies ist fast ausschließlich auf landwirtschaftliche Aktivitäten zurückzuführen – insgesamt 99 % und davon 64 % speziell auf Weideland (PROAmazonia, 2019). Vereinfacht gesagt: Ein Großteil des ursprünglich bewaldeten Landes wird heute in Weideland umgewandelt. Tatsächlich hat sich die Entwaldungsrate auf landwirtschaftlicher Ebene in einigen Landkreisen zwischen 2019 und 2020 verzehnfacht, von 1,3 % auf 13 % (DPPD Ecuador Initiative, 2020). Die Verschlechterung der sozioökonomischen Bedingungen infolge der Maßnahmen zur Bekämpfung der Covid-Pandemie setzt diese wertvolle natürliche Ressource zusätzlich unter Druck.
Wir vom UNDP Ecuador Accelerator Lab, der GIZ Ecuador, dem GIZ Data Lab und der Universität Manchester nutzen eine Kombination verschiedener, frei verfügbarer Datentypen aus unterschiedlichen Quellen sowie eine Methodik namens „Data Powered Positive Deviance“, um lokale, nachhaltige Rinderhaltungsmethoden mit geringen Auswirkungen auf die Entwaldung zu identifizieren. Unsere Arbeit unterstützt PROAmazonia, ein ambitioniertes Fünfjahresprogramm, das von einem Bündnis verschiedener Akteure – darunter das UNDP, das ecuadorianische Umweltministerium und das Landwirtschaftsministerium – getragen wird und darauf abzielt, die CO2-Emissionen durch die Eindämmung der Entwaldung und die Förderung einer nachhaltigen Landnutzung zu reduzieren.
Regel durch die Ausnahme: Nutzen eines Mixed-Methods-Ansatzes mit Fokus auf Ausreißer
Datengestützte positive Abweichung ist eine zweistufige Methode, um lokale, wirksame und wünschenswerte Praktiken zu erforschen, die von bestimmten Personen innerhalb ihrer Gemeinschaften als Reaktion auf die gemeinsam auftretenden Probleme entwickelt wurden. Die Methode beginnt mit einer quantitativen Analysephase, gefolgt von einer qualitativen Untersuchungsphase. Die quantitative Phase zielt darauf ab, potenzielle positive Abweichungen mithilfe leicht verfügbarer Daten zu identifizieren, um den Umfang der notwendigen Feldarbeit in der qualitativen Phase zu begrenzen. In der qualitativen Phase werden die identifizierten Abweichungen validiert und genauer untersucht, was positive Abweichungen auszeichnet. Dieser Beitrag konzentriert sich hauptsächlich auf unsere Arbeit in der quantitativen Phase.
Wir suchen in Joya de los Sachas und Sucúa, zwei Landkreisen im ecuadorianischen Amazonasgebiet, nach vorbildlichen Rinderhaltungspraktiken mit geringem Entwaldungsaufwand über einen Zeitraum von fünf Jahren (2015–2020). Als vorbildlich definieren wir Betriebe (und die dort ansässigen Landwirte), die eine geringe jährliche Entwaldungsrate von unter 1,3 % aufweisen (gemäß Definition des Umweltministeriums) und damit unter dem lokal zu erwartenden Wert liegen, der unter Berücksichtigung verschiedener struktureller und kontextueller Einschränkungen liegt. Wir erstellen statistische Modelle, um diese erwarteten Entwaldungsraten für Betriebsgruppen zu ermitteln und dabei beispielsweise die in der Region üblichen Praktiken, die Bodenqualität und die Anzahl der Rinder pro Betrieb zu berücksichtigen. Anschließend vergleichen wir die erwarteten Entwaldungsraten mit den auf den einzelnen Farmen beobachteten Raten: Wenn die beobachteten Raten in den letzten drei aufeinanderfolgenden Jahren (2018–2020) durchgehend niedriger sind als die erwarteten Raten und wenn diese Raten unter die Schwelle von 1,3 % fallen, dann werden die Farmen als potenzielle positive Abweichungen betrachtet.
Ein Bauernhof mit mehr Wald innerhalb seiner Grenzen (orangefarbenes Quadrat) im Vergleich zu den beiden benachbarten Bauernhöfen. ©Google Maps Satellitenbild Cantón Sucúa (2021)
(a) Ecuador, Amazonasgebiet links der Anden. (b) Joya de los Sachas (nördlicher Bezirk) und Sucúa (südlicher Bezirk). © UNDP 2020
Kein linearer Zusammenhang: Entwaldung und Viehzucht
Die Herausforderung dieses statistischen Modellierungsansatzes besteht darin, dass es äußerst schwierig, wenn nicht gar unmöglich ist, alle Variablen zu berücksichtigen, die die Rinderhaltung mit der Entwaldung in Verbindung bringen könnten. Gespräche mit Beamten der Umwelt- und Landwirtschaftsministerien sowie mit Kollegen der Ernährungs- und Landwirtschaftsorganisation der Vereinten Nationen (FAO) lassen zwei große Problemfelder erkennen.
Erstens werden die Praktiken der Rinderhaltung sowohl von intrinsischen als auch von extrinsischen Faktoren beeinflusst. Zu den intrinsischen Faktoren zählt beispielsweise die Haushaltsstruktur eines Landwirts, die die Aufzuchtzyklen beeinflussen kann, da der Bedarf an liquiden Mitteln einen schnellen Verkauf des Viehs begünstigen kann. Extrinsische Faktoren umfassen beispielsweise den illegalen Fleischhandel zwischen der Nordgrenze Ecuadors und der Südgrenze Kolumbiens, der die Preise drückt und Landwirte von der Rinderhaltung abhält. Die Erhebung von Daten zu solchen Faktoren kann äußerst sensibel sein, und die aus Sekundärdaten gewonnenen Informationen sind in der Regel schwer zu validieren.
Zweitens ist Viehzucht selten eine alleinige Tätigkeit auf einem Bauernhof. Dasselbe Land kann als Weideland, für den Anbau von Feldfrüchten oder Palmöl genutzt oder brachgelassen werden, damit sich der Boden erholen kann. Diese Informationen lassen sich in Landnutzungskarten erfassen, doch diese sind für unsere spezifischen Landkreise und den relevanten Zeitraum nicht immer verfügbar oder werden nicht regelmäßig aktualisiert.
Um diese komplexen Dynamiken zu erfassen und unsere Identifizierung potenzieller positiver Abweichungen weiter zu verfeinern, stützen wir uns auf ein theoretisches Konzept statistischer Residuen. Residuen stellen im Wesentlichen die Differenz zwischen den Erwartungen eines statistischen Modells und den beobachteten Werten dar; sie zeigen an, inwieweit das Modell die Variationen in den Beobachtungen erklärt. Wir betrachten die Residuen unserer Modelle als aggregierten Proxy für alle Variablen, die wir nicht erklären können, und nehmen daher an, dass sie unter anderem die spezifischen positiven Abweichungen erfassen, nach denen wir suchen.
Positive Abweichler: Ein wirkungsvoller Identifikationsmechanismus
Unsere statistischen Modelle berücksichtigen definitionsgemäß die folgenden Variablen:
- Anfangsausstattung: Größe des landwirtschaftlichen Betriebs und Qualität des Bodens;
- Landnutzung: Anzahl der Rinder, Anzahl der Hektar Ackerland, Palmölplantagen und brachliegende Böden;
- Lage: Nähe zu städtischen Zentren, Nähe zu Gesundheitszentren und Anbindung an Straßen und landwirtschaftliche Einrichtungen;
- Sozioökonomischer Kontext: Bevölkerungsdichte und Armutsquote.
Wir nutzen traditionelle Datenquellen wie Katasterinformationen und öffentliche Impfregister für Rinder, um die Grenzen von landwirtschaftlichen Betrieben und den Rinderbestand zu ermitteln. Zusätzlich verwenden wir nationale Statistikdaten und einen Armutsindex, um den sozioökonomischen Status der Gemeinden in unseren Untersuchungsgebieten zu bewerten. Diese Daten kombinieren wir mit weiteren Daten aus weniger traditionellen Quellen, wie beispielsweise Fernerkundungsdaten. So schätzen wir die Bevölkerungsdichte auf Gemeindeebene, ermitteln die lokalen Bodeneigenschaften und berechnen die Entfernung zwischen einzelnen landwirtschaftlichen Betrieben und der nächstgelegenen städtischen Infrastruktur (z. B. Straßen, Märkte, Schulen). Mithilfe von maschinellem Lernen schließen wir außerdem die Lücken in den Landbedeckungs- und Landnutzungskarten für unseren Untersuchungszeitraum von fünf Jahren (2015–2020). Anhand dieser Karten messen wir die für den Anbau von Palmöl, Feldfrüchten und Weideland genutzten Hektar sowie die verbleibende Waldfläche auf jedem einzelnen Grundstück.
Anschließend leiten wir aus unseren Modellen ein binäres Leistungsmaß ab, um die „Spitzenreiter“ mit einem geringen jährlichen Entwaldungsbeitrag zu identifizieren. Für jedes Jahr zwischen 2015 und 2020 betrachten wir die Verteilung der Residuen für jeden Betrieb und behalten diejenigen im obersten Zehntel bei. Dies sind die Spitzenreiter des jeweiligen Jahres. Wenn ein Betrieb zwischen 2018 und 2020 – den letzten drei aufeinanderfolgenden Jahren – durchgehend zu den Spitzenreitern zählt, stufen wir ihn am Ende der quantitativen Phase als potenziell positiven Ausreißer ein.
Die Stärke dieses Ansatzes liegt darin, dass er Abweichungen im Laufe der Zeit sichtbar macht. Ein landwirtschaftlicher Betrieb kann in einem Jahr hervorragende Ergebnisse erzielen, im nächsten Jahr aber seine Anbaumethoden ändern und mit der massiven Abholzung beginnen, wodurch er zu einem „negativen Abweichler“ wird. Das Gegenteil kann natürlich auch eintreten.
Letztendlich identifizierten wir 40 potenzielle positive Abweichungen in Joya de los Sachas unter 5332 inspizierten Betrieben (0,7 %) und 13 in Sucúa unter 5701 inspizierten Betrieben (0,2 %). Dies reduziert den erforderlichen Feldarbeitsaufwand zur genauen Erfassung positiver Abweichungen in der qualitativen Phase erheblich.
Landbedeckung und -nutzung 2015 und 2020. Die Grafik zeigt die Veränderung der Bodennutzung auf vier landwirtschaftlichen Betrieben (rote Rechtecke) in Joya de los Sachas über fünf Jahre. Die beiden kleinen Betriebe erhalten den verbliebenen Wald, während die großen Betriebe ihn abholzen. © UNDP 2020
(c) Landkreis Joya de los Sachas (ohne Katasterdaten); (d) Katasterinformationen zur Identifizierung der Anzahl und Grenzen der Betriebe; (e) Impfregister (grüne Dreiecke) überlagern die Katasterdaten und zeigen an, welche Betriebe Rinder halten; (f) Landnutzung und -bedeckung im Jahr 2015 zur Erfassung der Bodennutzung auf Betriebsebene; (g) Veränderungen der Landnutzung und -bedeckung auf Betriebsebene (Daten von 2020); (h) Positive Abweichungsbetriebe im Landkreis (rote Punkte). © UNDP 2020
Schwächen von Superhelden: Betrachtungen über die Macht und die Grenzen von Daten
Die quantitative Phase der datengestützten Methode der positiven Abweichungsanalyse basiert auf einem sehr praxisorientierten Ansatz zur Dateninnovation. Unsere Arbeit verdeutlicht einige Potenziale und Grenzen der Nutzung vorhandener Daten zum Verständnis stark kontextbezogener Dynamiken sowie die Machbarkeit und Anwendbarkeit der Kombination verschiedener sekundärer Datenquellen.
Jede von uns genutzte Datenquelle hat ihren eigenen Relevanzbereich, der beispielsweise von der Art der Datenerhebung, den angewandten methodischen Annahmen oder dem Aggregationsgrad abhängt. Durch die Nutzung dieser leicht zugänglichen Quellen reduzieren wir zwar Kosten und Zeitaufwand der Datenerhebung, setzen uns aber gleichzeitig unvollständigen Antworten auf unsere Forschungsfragen aus. So erlaubt beispielsweise der Zugriff auf sozioökonomische Daten nur auf Gemeindeebene und nicht auf Betriebsebene eine annähernde Angleichung an andere Variablen. Auch die Ableitung von Aspekten der Rindereffizienz gestaltet sich schwierig, wenn Informationen wie beispielsweise zum Gewicht der Rinder oder zur Deckzeit nicht für jeden Betrieb verfügbar sind. Als Notlösung verwenden wir die Anzahl der Rinder pro Hektar Weideland als Näherungswert, der jedoch nicht optimal ist und einer Validierung bedarf.
Uns ist außerdem bewusst, dass positive Abweichung in dieser Phase ein relativer Begriff ist: Positive Abweichler sind statistisch gesehen nur Ausreißer, relativ zur Verteilung eines abstrakten Maßes (den Residuen unserer Modelle). Unter der Annahme, dass unsere theoretische Konzeption korrekt ist, bedeutet dies lediglich, dass positive Abweichler „bessere Leistungen“ erbringen als ihre direkten Vergleichspersonen. Es ist möglich, dass ihre Praktiken im größeren Kontext letztlich nicht so wünschenswert sind.
Den Abweichlern ein Gesicht geben: Der Weg ins Feld
Ausgehend von den Ergebnissen der quantitativen Phase führen wir im nächsten Schritt Interviews vor Ort durch, um die ungewöhnlichen Praktiken unserer potenziellen positiven Abweichler besser zu verstehen. Der erste Schritt hierzu besteht in der Diskussion der Datenvalidierung, der deskriptiven Beschreibung der Kategorien positiver Abweichungen und dem Übergang von quantitativen Ergebnissen zu einer Erzählung, die die Gestaltung einer qualitativen Untersuchung ermöglicht.
Wir beginnen mit einer umfassenden Erfassung von Schlüsselpersonen auf nationaler, Provinz- und lokaler Ebene sowie mit partizipativen Design-Workshops mit lokalen Fachkräften. Diese können ein allgemeines Profil jedes Landwirts sowie erste Informationen zu dessen Merkmalen liefern. Dadurch wird Diversität gewährleistet und Zwischenhändler ausgeschlossen. Im Ergebnis werden 19 Landwirte für Interviews ausgewählt.
Um Zugang zu den Farmen zu erhalten, ist ein ethisch einwandfreies Protokoll unerlässlich, und lokale Techniker spielen dabei eine wichtige Rolle. Gespräche mit den Landwirten sind entscheidend, um das Ziel der Studie zu erläutern, Widerstände abzubauen und den Verdacht politischer Interessen auszuräumen – insbesondere, da unsere Feldarbeit mit Wahlen zusammenfällt. Schließlich ist die Entwaldung ein sensibles Thema, und es ist unerlässlich, das Vertrauen der Menschen zu gewinnen, um die notwendigen Informationen zu erhalten.
Wir werten derzeit die gesammelten qualitativen Daten aus. Seien Sie gespannt auf die Endergebnisse!
Besonderer Dank gilt Basma Albanna, Andreas Glücker und Jeremy Boy für ihre aufschlussreichen Kommentare sowie eine besondere Anerkennung für die harte Arbeit von Santiago Sghirla, Jhonny Rodriguez und Diego Villacreces.
