Neulich bin ich auf die Verkehrsuntersuchung zum Thema Stadtautobahn A860 durch Freiburg gestoßen. Es wurde eine Verkehrsprognose für das Jahr 2040 erstellt, die den Nutzen des in Planung befindlichen Freiburger Stadttunnels bekräftigt. Dabei soll ein Teil der heutigen Bundesstraße (B31) entlang des Dreisamufers entlastet werden, indem ein Großteil des oberirdischen Verkehrs – insbesondere des Schwerlastverkehrs – auf einer Strecke von 1,8km Länge unter die Erde gebracht wird. Was den finanziellen Aspekt anbelangt, geht man mittlerweile von mindestens 500 Mio.€ Gesamtkosten für das Projekt aus.
Die für den Bau zuständige Autobahn GmbH hat eine Firma – die PTV Group – beauftragt, die Verkehrsprognose zu erstellen, deren Ergebnisse nun vorliegen: „Verkehrsgutachten bestätigt Nutzen des Freiburger Stadttunnels“, titelt die Badische Zeitung am 25. Oktober 2022.
Doch wie kommt es zu den Ergebnissen und was steckt dahinter? Kurz gesagt: Jede Menge mathematische Simulationen, Zahlen und Statistik, oder einfach Data Science. Genauer betrachtet, steckt im Kern aller Rechnungen ein statistisches Modell, worauf ich im Folgenden näher eingehe.
Grundlage jeder statistischen Analyse ist ein Modell. Anschaulich beschrieben, füttert man das Modell mit Daten und erhält als Output wiederum Daten. Im Falle der Verkehrsprognose wurden beispielsweise Verkehrsströme in Freiburg erfasst und die resultierenden Daten in ein Modell eingespeist. Nach möglicherweise stunden-, tage- oder wochenlangen Rechnungen spuckt das Modell Ergebnisse aus, etwa wie viel Verkehr im Jahr 2040 auf den Straßen Freiburgs bzw. in einem Stadttunnel zu erwarten ist.
Doch nun zu den entscheidenden Fragen: Wie kommt man zu diesem Modell? Wie kann das Modell wissen, was passieren wird? Solch ein Modell fällt schließlich nicht vom Himmel! Die Antwort: Man muss sich ein Modell wählen bzw. konstruieren. Doch das Problem ist: „Essentially, all models are wrong, but some are useful“ („Ihrem Wesen nach sind alle Modelle falsch, aber einige sind nützlich“), so ein berühmtes Zitat des britischen Statistikers George Box. Für die Wahl eines (einigermaßen) geeigneten Modells bleibt einem nichts anderes übrig, als möglichst viele Informationen zu sammeln und anhand dieser ein Modell aufzustellen. Zu den Informationen gehören Daten wie die gegenwärtigen Verkehrsströme, Wetterdaten oder die historische Entwicklung der Pkw-Zahlen in Freiburg. Oftmals – und gerade bei so fernen Zukunftsprognosen – gehört zu den Informationen jedoch viel Expertenwissen, beispielsweise wie der Verkehr in Zukunft aussehen wird, wie die Verkehrswende gestaltet wird oder ob es aufgrund der Pariser Klimaziele im Jahr 2040 Einschränkungen beim motorisierten Verkehr geben wird. Letztere Art von Informationen sind wesentliche Annahmen, die zur Wahl eines geeigneten statistischen Modells getroffen werden müssen. Weil die Stadt Freiburg bis 2035 klimaneutral sein möchte und als Zwischenziel für das Jahr 2030 eine Reduktion von 42% der CO²-Emissonen im Verkehr gegenüber 2019 anstrebt, muss es eine Verkehrswende geben, die deutlich weniger motorisierten Individualverkehr zur Folge hat. Entsprechung muss die Berücksichtigung der Klimaziele und der Verkehrswende eine wesentliche und entscheidende Annahme an ein Verkehrsprognose-Modell für das Jahr 2040 sein. Niemand weiß genau, wie der zukünftige Verkehr aussehen wird. Vieles hängt von aktuell unbekannten Faktoren ab. Beispielsweise werden Krisen, wie die Klimakrise, oder politische Entscheidungen starke Einflüsse auf den zukünftigen Verkehr haben. Doch auch für solche Fälle lassen sich Modelle finden, die – in Abhängigkeit verschiedener Szenarien – entsprechende Prognosen liefern.
Klimamodelle, die anhand der Treibhausgasemissionen, die Erderwärmung und den Anstieg des Meeresspiegels prognostizieren, beinhalten in der Regel diverse Szenarien, die abhängig von zukünftigen Emissionen sind. Diese szenarienbasierten Modelle ermöglichen es der Politik, Entscheidungen anhand der prognostizierten Konsequenzen zu treffen. Was sich statistisch belegen lässt, ist, dass viele der Klimamodelle die bisherige Erderwärmung unterschätzt haben – auch das ist wichtige Information, die in bessere Modelle einfließt.
Zurück zum Verkehrsprognose-Modell für Freiburg: Da die Verkehrsströme für einen sehr weiten Zeitpunkt in der Zukunft vorhergesagt werden sollen, müssen unweigerlich Annahmen an das Modell gestellt werden. Schaut man sich den Bericht zur Verkehrsuntersuchung an, so stellt man jedoch fest, dass nur ein Szenario – nämlich die Zunahme des Verkehrs wie in den vergangenen Jahrzehnten – betrachtet wird. Diese Annahme steht jedoch in großem Widerspruch zu den Pariser Klimazielen und dem Ziel der Klimaneutralität von Freiburg bis zum Jahr 2035. Von einer Verkehrswende ist nicht die Rede. Wenig überraschend suggeriert die Prognose der Verkehrsuntersuchung eine einzige Konsequenz: Den Bau des Tunnels. Wegen der wissenschaftlich unzureichenden Annahmen an das Verkehrsprognose-Modell wäre eine Entscheidung pro Stadttunnel, basierend auf dieser Verkehrsprognose, objektiv höchst fraglich, meiner Einschätzung nach sogar falsch.
Wie die einzelnen Funktionen und Algorithmen des Prognose-Modells im Detail aussehen, ist Grundlage der Simulationen, wird in der Regel aber nicht veröffentlicht. Damit Experten die Ergebnisse nachvollziehen können, ist eine Kommunikation der Modellannahmen wichtig. Für die politische und mediale Öffentlichkeit sowie für Laien spielen letztlich allein die Ergebnisse eine Rolle. Und diese Ergebnisse hängen entscheidend von der Modellwahl als Kern der statistischen Analyse ab. Abstruse Modellannahmen können sehr unrealistische Ergebnisse liefern, die zu verzerrten Bildern der Realität führen, sodass möglicherweise milliardenschwere Fehlentscheidungen getroffen werden.
Zusammenfassend kann man bezüglich statistischer Modelle also festhalten, dass die Modellwahl entscheidend ist: Auf ein geeignetes Modell kommt’s an!
Ein interessanter Beitrag! Wie immer gilt auch hier: „Wer eine Studie beauftragt, bestimmt das Ergebnis“. Das Analyse-Unternehmen muss nur das passende Prognose-Modell auswählen, welches zum gewünschten Ergebnis führt.
Pingback: Neues aus der Wissenschaft zum Thema Feature Selection - Nabla Data Services