Morgenroth, Silvia: Sozioökonomische Rahmenbedingungen und Landnutzung als Bestimmungsfaktoren der Bodenerosion in Entwicklungsländern - Eine überregionale empirische Analyse im Kontext der Agrarentwicklung -

75

EMPIRISCHE ANALYSE

Kapitel 4. Methodisches Vorgehen und Datengrundlage

Dieses Kapitel dient der Herleitung und Darstellung des methodischen Vorgehens der durchzuführenden empirischen Analyse und der Datengrundlage für anthropogene und natürliche Erosionsdeterminanten.

Um die Wahl des für die Analyse gewählten spezifischen methodischen Ansatzes nachvollziehbar zu machen, werden zunächst die Besonderheiten diskutiert, die vor dem Hintergrund der Fragestellung bei der statistischen Vorgehensweise und auch bei der Variablendefinition beachtet werden müssen (4.1). Dabei stehen Implikationen struktureller Charakteristika, wie mögliche Abhängigkeiten unter den Erosionsdeterminanten und reziproke Wirkungen zwischen Bodenerosion und anthropogenen Rahmenbedingungen, sowie Datenrestriktionen im Vordergrund. Aus diesen Besonderheiten ergeben sich konkrete Anforderungen sowohl an die in der Analyse anzuwendenden statistischen Verfahren als auch an die Definition geeigneter Indikatorvariablen für anthropogene und natürliche Erosionsdeterminanten.

Ausgehend von diesen Anforderungen wird das für die empirische Analyse gewählte methodische Vorgehen erläutert (4.2). Dabei werden die Vorteile einer methodischen Verknüpfung strukturenentdeckender, explorativer Verfahren (Korrelationsanalyse, Faktorenanalyse) und strukturenprüfender Verfahren (Regressionsanalyse) für die Bearbeitung der Fragestellung hervorgehoben.

Anschließend werden die Datengrundlage für Bodenerosion, die sich aus den in Kapitel 3 definierten Erosionsindizes ergibt, sowie die Datengrundlage für Erosionsdeterminanten aus dem Bereich anthropogener Rahmenbedingungen, der Landnutzung und natürlicher Bedingungen vorgestellt (4.3). Im Zusammenhang hiermit werden die Kriterien, die bei der Auswahl und Operationalisierung einzelner Variablen im Vordrgrund stehen, angesprochen. Einzelheiten zur Berechnung spezieller Indikatorvariablen finden sich im Anhang 3.

Da davon auszugehen ist, daß es neben allgemeinen anthropogenen Erosionsursachen auch solche gibt, die für einzelne Klimazonen spezifisch sind, werden die untersuchten Länder im vierten Abschnitt nach den jeweils vorherrschenden agroklimatischen Bedingungen anhand einer Clusteranalyse gruppiert (4.4). Dies ist die Basis für eine nach Klimazonen differenzierte Untersuchung in der empirischen Analyse.


76

4.1 Implikationen der Fragestellung und der Datenverfügbarkeit für das
methodische Vorgehen und die Variablendefinition

4.1.1 Strukturelle Charakteristika: Abhängigkeiten unter möglichen Erosions-determinanten und reziproke Wirkungen

Abhängigkeiten unter möglichen Erosionsdeterminanten

Von vielen in der Literatur diskutierten Determinanten der Bodenerosion wird angenommen, daß sie auch untereinander in Zusammenhang stehen. Betrachtet man ausschließlich die anthropogenen Rahmenbedingungen, so wird beispielsweise häufig eine sich gegenseitig verstärkende Wirkung zwischen Armut und Bevölkerungsdruck angenommen; andere Autoren vermuten hingegen, daß Bevölkerungsdruck und die Entwicklung von Innovationen, die langfristig zu Wohlstandswachstum führen, zusammenhängen. Weiterhin wirken makroökonomische und sektorale Politikmaßnahmen, insbesondere Preispolitiken, direkt und indirekt auf die Einkommenssituation der Landnutzer und damit auf den Grad ihrer Armut. Zahlreiche weitere Beispiele für mögliche Zusammenhänge lassen sich finden (vgl. Kapitel 2).

Bezieht man neben den genannten anthropogenen Rahmenbedingungen noch landnutzerische und natürliche Bedingungen in die Überlegungen mit ein, so ergibt sich eine Vielzahl weiterer Zusammenhänge: So ist anzunehmen, daß die Art der Landnutzung sowie teilweise auch anthropogene Rahmenbedingungen, z.B. die Bevölkerungsdichte, mit bestimmt werden von den vorherrschenden natürlichen Bedingungen. Ebenso kann von Zusammenhängen zwischen anthropogenen Rahmenbedingungen und der Art und Intensität der Landnutzung augegangen werden, und davon, daß die Art der Landnutzung wiederum Auswirkungen auf die ökonomische Situation der Landnutzer hat.

Einzelheiten über die Art und Richtung der skizzierten Zusammenhänge sind, ähnlich wie bei den Zusammenhängen zwischen Bodenerosion und ihren Determinanten, weitgehend unerforscht. Ein theoretisches Gesamtbild, das als Grundlage für die Erfassung der komplexen Zusammenhänge in Form von Strukturmodellen dienen könnte, liegt derzeit nicht vor.

Bei der Anwendung ökonometrischer, strukturenprüfender Methoden (Regressionsanalyse) haben tatsächliche Zusammenhänge unter möglichen Erosionsdeterminanten zur Folge, daß Multikollinearitätsprobleme zu erwarten sind, die zu Fehlern bei der Schätzung der Regressionskoeffizienten und zu Schwierigkeiten bei der Interpretation der Regressionsergebnisse führen können (Vgl. MONTGOMERY und PECK, 1992, S. 308 ff.). Gerade weil neben anthropogenen Rahmenbedingungen auch landnutzerische und natürliche Bedingungen mit in die empirische Analyse einbezogen werden sollen, ist mit starker Multikollinearität zu rechnen. Dies muß bei der Wahl der Analysemethoden berücksichtigt werden.


77

Reziproke Wirkungen zwischen Bodenerosion und ihren Determinanten

Es ist anzunehmen, daß Bodenerosion sich langfristig auch auf einige der untersuchten Determinanten auswirkt. Verstärkte Bodenerosion führt beispielsweise über eine Verminderung der Bodenproduktivität zu einer veränderten sozioökonomischen Situation der Landnutzer. Ebenso zählen mögliche landnutzerische oder auch die Anzahl Nachkommen betreffende Reaktionen der Landnutzer auf die durch Bodenerosion veränderten Bedingungen zu diesen Wechselwirkungen. Grundsätzlich vorstellbar sind auch Reaktionen der Politik auf verstärkte Bodenerosion - z.B. in Form von Erosionsschutzprogrammen - , die dann direkt oder auch über veränderte Rahmenbedingungen wiederum auf Bodenerosion wirken<62>.

Da mit dem GLASOD die erste globale Erhebung zum Stand der Bodendegradation durchgeführt wurde, ist die Berücksichtigung möglicher Wirkungen von Bodenerosion auf die anthropogenen Rahmenbedingungen und auf die Landnutzung in der empirischen Analyse derzeit nicht direkt möglich. Für die empirische Analyse resultieren hieraus folgende Fragen: Wie wahrscheinlich und wie relevant sind die jeweiligen Wirkungen? Welche Verzerrungen ergeben sich dadurch, daß diese Wirkungen nicht erfaßt werden können? Diese Fragen werden im folgenden anhand theoretischer Überlegungen besprochen.

Geht man davon aus, daß der Großteil der anthropogenen Erosionsprozesse, die im GLASOD erfaßt sind, in der jüngeren Vergangenheit stattgefunden haben - CROSSON z.B. meint, daß in etwa der Zeitraum 1945-1990 der relevanteste ist (CROSSON, 1996, S. 3) -, und wird dieser Zeitraum der empirischen Analyse zugrundegelegt, dann ist die Fristigkeit der angesprochenen Effekte ausschlaggebend: Nur diejenigen Wirkungen der Bodenerosion auf die Situation und die Reaktion der Landnutzer und Politiker können die empirische Analyse verzerren, die innerhalb des Betrachtungszeitraumes auftreten.

4.1.1.1 Wirkungen der Bodenerosion auf Armut und Bevölkerungsdruck

In der theoretischen Diskussion wird als wichtiger Effekt der Bodenerosion die zunehmende Armut der Landnutzer durch den erosionsbedingten Produktivitätsverlust der Ressource Boden hervorgehoben. Verstärkte Armut wiederum wird mit erhöhter Kinderanzahl (bzw. aggregiert: Bevölkerungswachstumsraten) und mit stärkerer Bodenerosion in Verbindung gebracht (vgl. die „Teufelskreis“-Diskussion). Während bei den Wirkungen von Bodenerosion auf die Bevölkerungswachstumsraten qua zunehmende Armut mit großer Wahrscheinlichkeit davon auszugehen ist, daß sie erst sehr langfristig zum Tragen kommen (vgl. LIPTON, 1997, S. 86 f.), läßt sich dies für die Armutseffekte selbst nur begrenzt sagen. Zwar gilt allgemein, daß Bodenerosion sich schleichend und


78

erst nach längerer Zeit in spürbaren Produktivitätsverlusten manifestiert, was häufig ihre rechtzeitige Eindämmung verhindert<63>. Auf tropischen Verwitterungsböden allerdings machen sich erosionsbedingte Produktivitätsverluste wesentlich schneller bemerkbar als auf Böden der gemäßigten Klimazonen<64>. Im Grunde sind die GLASOD-Daten selbst ein Indiz dafür, inwieweit Erosionsprozesse die Produktivität der Böden, die Erträge und damit die ökonomische Situation der betroffenen Landnutzer gegen Ende der 80er Jahre bereits beeinträchtigt hatten, da der Schweregrad der Bodenerosion u.a. direkt am geschätzten Produktivitätsrückgang des Bodens bemessen wird (vgl. Kapitel 3, S. 56)<65>.

Insofern kann davon ausgegangen werden, daß wenn sich in der empirischen Analyse ein Einfluß von Armut oder verstärkter Armut auf Erosion tatsächlich nachweisen läßt, deren geschätzte relative Bedeutung für das Zustandekommen von Bodenerosion wegen der geschilderten, nicht erfaßten Wechselwirkungen tendenziell verzerrt sein wird. Gleichzeitig ist es möglich, daß das Bestimmtheitsmaß der gesamten Schätzung dadurch erhöht wird, daß die kumulative Bodenerosion, die sich definitionsgemäß aus jährlichen Erosionsraten ergibt, indirekt geschätzt wird anhand der sich aus ebendiesen jährlichen Erosionsraten vergangener Jahre ergebenden<66> Armutsindikatoren vergangener Jahre.

Eine Möglichkeit, diesen Schätzfehler zu reduzieren, besteht z.B. darin, auch Indikatoren in die Analyse einzubeziehen, die die ökonomische Situation der Landnutzer zu Beginn des Betrachtungszeitraumes oder über den gesamten Betrachtungszeitraum hinweg kennzeichnen (Durchschnittswerte). So verliert die durch Bodenerosion im Betrachtungszeitraum verursachte, zu einem späteren Zeitpunkt auftretende zusätzliche Armut im Indikator an Gewicht.

4.1.1.2 Bodenerosion als Impetus für die Entwicklung von Bodenschutzmaßnahmen

Eine weitere mögliche Wirkung, die vor allem im Rahmen der Theorie der Induzierten Innovation diskutiert wird, ist, daß Bodenerosion einen Impetus für die Entwicklung und Einführung bodenschonenden technischen und anderen Fortschritts geben kann - ähnlich wie z.B. verstärkter Bevölkerungsdruck oder Hungersnöte. Daß Landnutzer in Entwicklungsländern auf Erosionsschäden in gewissem Maße mit Erosionsschutzmaßnah-


79

men reagiert haben, ist evident<67>. Dieser Tatsache wird vom GLASOD insofern Rechnung getragen, als es eine Kategorie zur Beurteilung der stabilen mapping units gibt, die Erosionsschutzmaßnahmen eigens erfaßt: terrain stabilized by human intervention (vgl. OLDEMAN et al., 1991, S. 14). Schätzfehler können hier also dadurch weitgehend vermieden werden, daß Bodenerosion, die von den betroffenen Landnutzern im Referenzzeitraum bemerkt und konterkarriert wurde, im GLASOD nicht als erodierte, sondern als stabilisierte Fläche aufgenommen wird.

4.1.1.3 Wirkungen der Bodenerosion auf Politikebene

Zu den politischen Reaktionen auf Erosionsprobleme läßt sich sagen, daß nationale Bodenschutzpolitiken und -programme in den meisten Entwicklungsländern - wenn überhaupt - erst in den vergangenen 10 bis 20 Jahren formuliert und durchgeführt wurden. Einerseits sind derartige Bodenschutzpolitiken nicht direkt Gegenstand der Untersuchung, im Vordergrund stehen vielmehr die in Kapitel 3 dargestellten Agrarpreispolitiken. Da bei letzeren davon ausgegangen werden kann, daß sie in den vergangenen Jahrzehnten nicht wesentlich vom Stand der Bodenerosion beeinflußt worden sind, sind hier keine Verzerrungen zu erwarten.

4.1.1.4 Reziproke Wirkungen früherer Perioden

Obwohl die GLASOD-Erhebung im wesentlichen auf anthropogene Erosionsprozesse der jüngeren Vergangenheit fokussiert, wird jedoch grundsätzlich auch Bodenerosion aus weiter zurückliegenden Zeiten mit erfaßt<68>. OLDEMAN argumentiert:

„In many parts of the world, soil degradation occurred at various times in the past, and subsequently the land surface has come to equilibrium with the causative factors.“
(OLDEMAN, 1988, S.3)

Abstrahierend könnte man aus dieser Argumentation die Annahme ableiten, daß zu Beginn des Betrachtungszeitraumes der empirischen Analyse global eine solche Gleichgewichts-Situation vorlag. In diesem Fall wären keine verzerrenden Einflüsse früherer anthropogener Reaktionen auf Bodenerosion bei der empirischen Analyse zu erwarten. Da diese Annahme aber recht unrealistisch ist, kann es tatsächlich zu Über- bzw. Unterschätzung des Einflusses einzelner Determinanten der Bodenerosion kommen. Ein Beispiel: In einer Region mit starkem Bevölkerungsdruck zu Beginn dieses Jahrhunderts manifestieren sich in den 30er Jahren Ernterückgänge, die auf extreme, irreversible Ero-


80

sionsschäden zurückzuführen sind<69>. Die Bevölkerung wandert aus der Region von dieser Zeit an kontinuierlich ab, weil die Ernährungsgrundlage nicht mehr ausreicht. Da die Erosionsschäden irreversibel sind, ist die Region auch zur Zeit der GLASOD-Erhebung noch extrem erodiert. In der empirischen Analyse wird nun z.B. der Einfluß der Bevölkerungsentwicklung von ca. 1945 bis 1990 auf den Stand der Bodenerosion 1990 untersucht. Die Daten würden in diesem Fall einen Zusammenhang zwischen abnehmendem Bevölkerungsdruck und starker Bodenerosion vortäuschen.

Eine Möglichkeit, derartige Verzerrungen in der empirischen Analyse zu vermindern, liegt in der Definition der Indikatorvariablen. So sollen auch Variablen berücksichtigt werden, die eine längerfristige Entwicklung der anthropogenen Bedingungen wiedergeben. Würde man für das genannte Beispiel die durchschnittliche Bevölkerungsdichte über den gesamten Betrachtungszeitraum hinweg als Indikator für den langfristigen, strukturellen Bevölkerungsdruck wählen, so würde sich möglicherweise eher zeigen, daß dieser Druck im Vergleich zu anderen Regionen trotz seiner Abnahme im Betrachtungszeitraum relativ hoch ist. Noch geeigneter wären im Fall des Bevölkerungsdrucks Variablen, die anzeigen, ob der strukturelle Bevölkerungsdruck im Verhältnis zur Tragfähigkeit der Region eher hoch ist oder nicht.

Insgesamt gesehen kann wegen des Bezugs der GLASOD-Daten zur jüngeren Vergangenheit und der Langfristigkeit anthropogener Reaktionen auf Erosionsprozesse davon ausgegangen werden, daß Verzerrungen durch unberücksichtigte Wechselwirkungen wenn dann nur bei Armutsindikatoren zu erwarten sind. Hinsichtlich historischer Erosionsprozesse und der entsprechenden Reaktionen der Landnutzer kann versucht werden, den Einfluß weiter zurückliegender Entwicklungen über die Einbeziehung geeigneter Indikatoren in die empirische Analyse mit zu berücksichtigen. Insofern können anhand der empirischen Analyse Erosionsdeterminanten identifiziert werden, die für den zugrundegelegten Betrachtungszeitraum relevant sind; die Bedeutung dieser Determinanten für künftige Entwicklungen, bei denen auch langfristige Reaktionen der Landnutzer und Politiker auf Bodenerosion zum Tragen kommen, kann hingegen nicht prognostiziert werden.

4.1.2 Datenrestriktionen: Zeitliche Eingrenzung und Aggregationsniveau

Zeitliche Eingrenzung

Während die GLASOD-Daten zeitpunktbezogen sind und nur für einen einzigen Erhebungszeitpunkt (ca. 1990) vorliegen, liegen internationale Datensammlungen für sozioökonomische und demographische Indikatoren sowie für die Landnutzung in Form von Zeitreihen frühestens ab dem Jahr 1961 - je nach Datensammlung - oder ebenfalls


81

als zeitpunktbezogene Informationen vor. Für die empirische Analyse wird deshalb der Referenzzeitraum 1961 bis 1990 gewählt. Insofern kann in der empirischen Analyse nur der Einfluß untersucht werden, den die Ausprägung oder die Veränderung der untersuchten Determinanten in diesem Zeitraum auf den Stand der Bodenerosion Ende der 80er Jahre hatten. Damit ist ein großer Teil des im GLASOD zugrundegelegten Referenzzeitraumes abgedeckt (30 von etwa 45 Jahren).

Um anthropogene Bedingungen auch früherer Jahre annähernd zu erfassen, müssen bei der Definition von Indikatorvariablen für Erosionsdeterminanten neben Variablen, die die Veränderung der Determinanten im Referenzzeitraum erfassen, auch solche Variablen in die Analyse einbezogen werden, die eine eher langfristige<70> Entwicklung oder „Struktur“ der anthropogenen Bedingungen in den untersuchten Einheiten wiedergeben. Ebenso wie bei der Diskussion reziproker Wirkungen im vorhergehenden Abschnitt kann angenommen werden, daß Durchschnittswerte anthropogener Bedingungen über den gesamten Betrachtungszeitraum 1960 bis 1990 eher langfristige Tendenzen ausdrücken, die auch für die Jahre vor 1961 Gültigkeit haben.

Aggregationsniveau

Die Wahl des nationalen Aggregationsniveaus für die empirische Analyse ist im wesentlichen durch Datenrestriktionen auf der Seite der landnutzerischen und sozioökonomischen Variablen bestimmt. Die Möglichkeiten einer georeferenzierten Analyse und die Entscheidung für das nationale Aggregationsniveau unter Hinnahme von Informationsverlusten werden im Anhang A-1.2 näher erläutert. Das nationale Aggregationsniveau beeinflußt nicht nur die konkrete Auswahl und Berechnung von Indikatorvariablen, sondern auch die Wahl der Analysemethoden und schließlich den gesamten Charakter der Analyse.

Vor allem müssen folgende aggregationsbedingte Besonderheiten beachtet werden:

Insgesamt wird davon ausgegangen, daß gerade auf dem im Vergleich zu den mapping units oder noch kleineren Einheiten sehr „groben“ nationalen Niveau sicherlich nicht alle, aber global betrachtet wesentliche Determinanten der Bodenerosion herausgearbeitet werden können. CONWAY und BARBIER bemerken zu diesem für Fragestellungen mit ökologischem Charakter noch ungewöhnlichen Aggregationsniveau:

„The higher up the hierarchy the greater is the apparent dominance of socio-economic processes, but ecological processes remain important and, at least in sustainability terms, crucial to achieving human goals. It may seem to be overextending definitions to regard the nation as an agrosystem, but we believe such a conceptualization is essential if the key trade-offs are to be explicitly recognized and analyzed.“ (CONWAY und BARBIER, 1990, S. 52).

Auf welche Art und Weise die geschilderten Besonderheiten, die sich aus den strukturellen Charakteristika der Fragestellung sowie der zeitlichen Eingrenzung und dem Aggregationsniveau ergeben, bei der Wahl der Analysemethoden (4.2) und der Datengrundlage (4.3) berücksichtigt werden, wird in den nächsten Abschnitten geschildert.


83

4.2 Methodischer Ablauf der Analyse

Anforderungen an die Analysemethoden

Die Anforderungen, die an das analytische Instrumentarium gestellt werden, ergeben sich vor allem aus den im Abschnitt 4.1 dargestellten Besonderheiten der Fragestellung, aus strukturellen Charakteristika und dem gewählten Aggregationniveau der Analyse:



84

Ausgehend von dieser Kombination

  1. einer grundsätzlich strukturenprüfenden Fragestellung,
  2. eines auf dem besten realisierbaren Aggregationsniveau relativ unstrukturierten Forschungsgebietes mit Größen, die z.T. latenten Charakter haben, und
  3. von Variablen, die Probleme der Modellspezifizierung und der Multikollinearität erwarten lassen,

kann man - sozusagen spiegelbildilich - die Anforderungen an das analytische Instrumentarium ableiten: Auf der einen Seite soll es erlauben, vorab hypothetisierte Kausalzusammenhänge zwischen Größen mit teilweise latentem Charakter zu prüfen, auf der anderen Seite soll es Variablen für diese Größen strukturieren, reduzieren und hinsichtlich ihres Zusammenhangs untereinander untersuchen (vgl. Abbildung 4-3). Diese unterschiedlichen Anforderungen legen es nahe, die Methoden der schließenden Statistik, die zur Verifizierung formaler Modelle oder Hypothesen eingesetzt werden, mit Methoden der explorativen Datenanalyse zu kombinieren bzw. ihnen diese vorzuschalten7<72>9.

Abbildung 4-1: Methodische Anforderungen an den explorativen und den
strukturenprüfenden Teil der Analyse

Quelle: eigene Darstellung

Die Grundidee der explorativen Datenanalyse ist die systematische oder versuchsweise Transformation und Reduzierung einer bestimmten Variablenmenge mit dem Ziel, Strukturen, Muster und Zusammenhänge aufzudecken sowie Besonderheiten in den Daten sichtbar zu machen, die aus der Sicht des betreffenden Fachgebietes plausibel sind (s. RÖNZ et al., 1994, S. 112). Charakteristisch ist, daß vorab keine Modellannahmen über Zusammenhänge und Verteilungen der Variablen notwendig sind, und demnach auch keine Einteilung in abhängige und unabhängige Variablen erfolgt.


85

Hinter der explorativen Datenanalyse steht letztlich eine seit dem Ende der 70er Jahre an Bedeutung gewinnende, praxisorientierte Art der Modell- und Theoriefindung mit Hilfe statistischer Mittel. TUKEY, der der Entwicklung und Anerkennung der explorativen Datenanalyse als unabkömmliches Teilgebiet der Statistik in den 70er Jahren die entscheidenden Impulse gegeben hat, drückt das folgendermaßen aus:

„We often forget how science and engineering function. Ideas come from previous exploration more often than from lightening strokes.“ (TUKEY, 1986, S. 811)
„Most textbook discussions of statistics or data analysis take the model (in all its aspects) as given - almost handed down from above, as the tables of stone were to Moses.[...] The statistician´s role is to aid in impartial assessment of the strength of the evidence for and against a particular model, and in favor of one or another particular value for the parameters of that model. [...] This may have become a custom because mathematical theory could be developed starting from unquestioned assumptions.[...] In the real world, most suggestions of models come from someone having looked at data.“ (TUKEY, 1986, S. 892 ff.)

An Stelle theoretisch abgeleiteter Modelle, die anhand von Daten statistisch verifiziert werden, rückt TUKEY den „Modell-Daten-Zyklus“ in den Vordergrund der Theoriefindung, der sich graphisch wie in Abbildung 4-2 darstellen läßt.

Abbildung 4-2: Modellformulierung und explorative Datenanalyse

Quelle: eigene Darstellung nach TUKEY, 1986, S. 894 und 897

Den Zweck dieser Vorgehensweise, die TUKEY unter dem Begriff der structural escalation subsummiert, beschreibt er folgendermaßen:

„An apparently weaker a priori structure for the data is combined with the actual distribution of data sets to generate an apparently stronger a posteriori structure.“ (TUKEY, 1986, S. 909).


86

Obwohl die explorative Datenanalyse als „Sichtweise“<73> in der wissenschaftlichen Statistik erst jüngeren Ursprungs ist, sind die Methoden, derer sie sich vorwiegend bedient, klassische deskriptive Methoden: vor allem sind hier die Clusteranalyse, die Faktorenanalyse und die mehrdimensionale Skalierung zu nennen<74>.

Die Vorteile einer methodischen Verknüpfung von explorativen und strukturenprüfenden Verfahren machen sich insbesondere Pfadmodelle sowie daraus abgeleitete Methoden, z.B. der LISREL-Ansatz oder das PLS-Modell<75>, zunutze. Bei beiden Verfahren geht es darum, vermutete Kausalzusammenhänge unter nicht direkt meßbaren, also latenten Größen mit Hilfe von Indikatorvariablen zu prüfen. Dabei werden die kausalen Beziehungen zwischen den latenten Variablen in einem Strukturmodell abgebildet, das dem regressionsanalytischen Denkansatz entspricht. Als Voraussetzung hierfür werden die Beziehungen zwischen den einzelnen latenten Variablen und den sie operationalisierenden Indikatorvariablen mit Hilfe der Faktorenanalyse bestimmt (vgl. BACKHAUS et al., 1994, S. 349 ff.).

Wenn auch Parallelen zwischen dem Ansatz der Pfadanalyse und der vorliegenden Fragestellung sowie den methodischen Erfordernissen zu erkennen sind - nicht zuletzt auch wegen des latenten Charakters der hochaggregierten Variablen -, so gibt es zwei wichtige Gründe, aus denen sie für die vorliegende Analyse nicht geeignet erscheint. Erstens wird bei der Pfadanalyse davon ausgegangen, daß vorab, aufgrund theoretischer Überlegungen, Informationen sowohl über Richtung und Stärke der Beziehungen unter den latenten Variablen als auch über die Anzahl latenter Variablen und Indikatoren vorliegen. In der vorliegenden Analyse ist das nicht der Fall.

Zweitens ist es ein erklärtes Ziel von Pfadanalysen, umfassende Kausalstrukturen zu analysieren. Auch angenommene Zusammenhänge zwischen verschiedenen exogenen Variablen werden anhand von Mehrgleichungssystemen modelliert. Sicherlich können bei der vorliegenden Untersuchung Zusammenhänge zwischen Erosionsdeterminanten wie z.B. Armut und Bevölkerungsdruck und auch anderen vermutet werden, und grundsätzlich ist deren Untersuchung von großem Interesse. Aber es entspricht nicht dem Ziel der Untersuchung, diese Zusammenhänge im einzelnen zu modellieren, sondern vielmehr, möglichen Ursachen der Bodenerosion empirisch nachzugehen - wohlgemerkt immer unter Berücksichtigung der Zusammenhänge unter diesen Ursachen. Weiterhin ist anzunehmen, daß die Qualität der Daten zu variabel ist, als daß sie die Modellierung sämtli-


87

cher angenommener Beziehungen in einem hochdimensionalen Gleichungssystem erlaubte.

Dementsprechend sind Pfadanalysen zu sehr auf die Prüfung theoretisch modellierbarer und im Vorfeld quantifizierbarer Hypothesen über mehrdimensionale Zusammenhänge ausgerichtet, als daß sie auf die vorliegende Fragestellung bei gegebener Datenlage anwendbar wären. Eine angepaßte Kombination von Analysemethoden sollte ihren Schwerpunkt in höherem Maße bei der Datenexploration haben, als dies bei Pfadanalysen der Fall ist.

Kombination geeigneter Analysemethoden

“A major need at present is not for more theory or techniques, but for the application of existing methodology and approaches to concrete problems, particularly in developing countries. The major objective should not be to provide fine-tuned numbers, but to indicate orders of magnitude.“ (LUTZ und MUNASINGHE, 1994, S. 37)<76>

Gemäß den geschilderten Anforderungen an die Analysemethoden wird die im folgenden dargestellte Kombination explorativer und strukturenprüfender Methoden für die empirische Untersuchung zusammengestellt. Sie ist in Abbildung 4-3 als eine Art „Fahrplan“ dargestellt.


88

Abbildung 4-3: Methodisches Vorgehen - Aufeinanderfolge einzelner Schritte1)

1) BE: Bodenerosion, BEind: Indikatorvariable für Bodenerosion
N: Natürliche Bedingungen
L: Landnutzung
A: Anthropogene Rahmenbedingungen (sozioökonomisch, demographisch, politisch)
r: Korrelationskoeffizient
Fx: Faktor
R: Faktorrepräsentant
In der untersten Zeile: Kapitel, in dem der jeweilige Schritt durchgeführt wird
Quelle: eigene Darstellung

4.2.1.1 Darstellung der angenommenen Zusammenhänge

In der ersten Spalte der Abbildung sind die in der Literatur diskutierten Zusammenhänge, die in Kapitel 3 vorgestellt wurden, in Form einer unspezifizierter Funktion dargestellt: Bodenerosion (BE) ist eine Funktion von natürlichen Bedingungen (N), von der Art der Landnutzung (L) und von anthropogenen Rahmenbedingungen (A) aus dem sozio-ökonomischen, demographischen und politischen Bereich.

4.2.1.2 Operationalisierung mittels Indikatorvariablen

Um die Zusammenhänge zwischen Bodenerosion und ihren angenommenen Einflußgrößen zu operationalisieren, müssen in einem ersten Schritt Indikatorvariablen sowohl für die abhängige Größe BE als auch für die angenommenen Determinanten aus den Bereichen L, N und A bestimmt werden (zweite Spalte der Abbildung 4-3). Wegen der bereits geschilderten Datenrestriktionen werden alle Indikatoren auf nationaler Ebene aggregiert ausgedrückt. Leitendes Prinzip bei der Auswahl und Operationalisierung von nationalen Indikatoren bzw. Variablen ist zunächst die sachlogisch möglichst genaue Wiedergabe der entsprechenden in der Literatur formulierten Größen. Gleichzeitig sollen die Indikatoren für die Bodenerosion ebenso wie für die angenommenen Determinanten möglichst


89

flächenbezogen sein. Der Grund hierfür ist, daß die letztlich qualitativen GLASOD-Daten über den Flächenbezug in Form quantitativer Größen auf die nationale Ebene aggregiert werden können. Um mit diesem flächenhaft aggregierten Erosionsindex „kompatibel“ zu sein, sollten die Indikatorvariablen für die Determinanten der Bodenerosion ähnlich dimensioniert sein, also auch Flächenbezug haben. Weiterhin sollten die Indikatorvariablen für die Determinanten der Bodenerosion möglichst die Veränderung der betrachteten Größen in den letzten Jahrzehnten wiedergeben.

Trotz dieser methodischen Richtlinien für die Auswahl von Indikatorvariablen besteht noch ein großer Spielraum bei ihrer konkreten Bestimmung. Da aus sachlogischen Gründen und gerade auch wegen des hohen Aggregationsniveaus a priori nicht bekannt ist, welche Indikatoren die Determinanten der Bodenerosion auf nationaler Ebene am besten wiedergeben - im Sinne der möglichst realistischen Abbildung latenter Größen -, und da das Auslassen der „besten“ Indikatoren zu Fehlschlüssen führen könnte, sollen pro Einflußgröße mehrere Indikatorvariablen ( N1, N2, N3 etc.) bestimmt werden. Obwohl auch für die Bodenerosion mehrere Indikatoren berechnet werden, wird in der Grafik einfachheitshalber nur ein Erosionsindex (BEind) dargestellt. Wie für die einzelnen Determinanten Indikatorvariablen ausgewählt und operationalisiert werden, wird im Abschnitt 4.2 erläutert.

4.2.1.3 Korrelationsanalyse

Um zu einer groben, ersten Einschätzung der Art, Stärke und Signifikanz der Zusammenhänge zwischen dem Erosionsindex und einzelnen mutmaßlichen Einflußgrößen zu gelangen, werden Korrelationsanalysen zwischen BEind und den unabhängigen Variablen durchgeführt (dritte Spalte in Abbildung 4-3). Insbesondere bei den Variablen, für die nicht genug Länderdaten vorhanden sind, um sie in die nachfolgenden multivariaten Analysen zu integrieren, können die Korrelationskoeffizienten Hinweise auf ihre mögliche empirische Bedeutung geben.

Für die multivariaten Analysen erfüllt die Korrelationsanalyse darüber hinaus eine zweite Funktion: Stärke und Signifikanz der Korrelationen einzelner Variablen mit den Erosionsindizes sind - wie weiter unten erläutert - bei den multivariaten Analysen neben anderen Größen als Kriterien für die Variablenauswahl ausschlaggebend - sowohl bei den explorativen Verfahren als auch bei der Kausalanalyse. Durchführung und Ergebnisse der Korrelationsanalysen werden im Kapitel 5 beschrieben.

4.2.1.4 Faktorenanalyse und Auswahl von Repräsentanten

Von den Methoden, die bei der explorativen Datenanalyse verwendet werden, kann insbesondere die Faktorenanalyse den in Abbildung 4-1 (s. S. 84) zusammengefaßten Anforderungen gerecht werden. Analyseverfahren, die mit dem Sammelbegriff Faktorenanalyse i.w.S. bezeichnet werden, sind grundsätzlich multivariate, strukturenentdeckende


90

Verfahren, die zum Ziel haben, eine größere Menge beobachteter Variablen auf Grundlage der Untersuchung ihrer Zusammenhänge auf möglichst wenige, voneinander unabhängige hypothetische Größen, die Faktoren, zurückzuführen, um letztere dann weiteren Analysen zugrundelegen zu können<77>. In dieser Formulierung finden alle drei Anforderungen der Abbildung 4-1 ihre Korrelate: Viele Variablen werden auf Grundlage ihrer Zusammenhänge, also der Struktur ihrer Korrelationsmatrix, auf möglichst wenige Faktoren zurückgeführt; d.h. sie werden zunächst strukturiert, dann - wenn dies aufgrund der Strukturen sinnvoll erscheint - in ihrer Anzahl reduziert. Gleichzeitig sind die hypothetischen Faktoren, auf die sie zurückgeführt werden, voneinander unabhängig, so daß die zwischen den Variablen bestehende Multikollinearität bei der Strukturierung der Variablen aufgedeckt und bei den Faktoren komplett aufgehoben wird.

Faktorenanalysen lassen sich in die in Kapitel 5 näher beschriebenen drei Teilschritte einteilen: (1) Auswahl von Ausgangsvariablen, (2) Extraktion von Faktoren sowie (3) Interpretation der Faktoren. Mathematisch ist dabei die Grund-idee - und gleichzeitig das Ziel - der Faktorenanalyse, daß jeder Beobachtungswert einer Variablen sich als Linearkombination mehrerer voneinander unabhängiger hypothetischer Faktoren beschreiben läßt (vgl. vierte Spalte der Abbildung 4-3). Entstehungsgeschichte, Anwendungsgebiete, methodische Vorgehensweise im allgemeinen und in diesem konkreten Fall sowie die Ergebnisse der durchgeführten Faktorenanalysen werden im Kapitel 6 vorgestellt.

Zur Reduktion der Variablenanzahl wird für jeden hypothetischen Faktor (F1, F2, F3) eine Variable ausgewählt, die den Faktor repräsentiert (R1, R2, R3). Zwar bestünde auch die Möglichkeit, die bei der Faktorenanalyse errechneten Werte für die hypothetischen Faktoren, die Faktorwerte, als Repräsentanten der Faktoren zu benutzen; jedoch wird in der Literatur immer wieder darauf hingewiesen, daß es sich - vor allem bei der Faktorenanalyse mittels der Hauptkomponentenmethode - hier nicht nur um latente, sondern um „künstliche“ Größen handelt, die - bestenfalls - interpretiert werden können, aber kein Gegenstück in der Wirklichkeit haben. Folglich sind sie für die Verwendung in empirischen Analysen, bei denen „real existierende“ Strukturen geprüft werden sollen, nur bedingt geeignet (ÜBERLA, 1977, S.88; GREENE, 1997, S. 427).

Bei der Wahl von Repräsentanten für die Faktoren sind zwei Kriterien, von denen das erste das bedeutendere ist, ausschlaggebend: erstens die Höhe der Korrelation der Variablen mit dem jeweiligen Faktor - die Faktorladung, denn nur eine Variable, die mit dem hypothetischen Faktor hoch korreliert ist, kann diesen repräsentieren; zweitens die Höhe der Korrelation der Variablen mit dem Erosionsindex BEind bzw. mit verschiedenen Erosionsindizes. Es wird erwartet, daß durch die Einbeziehung der Korrelationen mit der Bodenerosion als zweites Auswahlkriterium die strukturenprüfende Analyse insgesamt


91

„effizienter“<78> wird. Damit ist gemeint, daß durch die vorzugsweise Einbeziehung von mit der Bodenerosion in Zusammenhang stehenden Repräsentanten-Variablen in das zu spezifizierende und zu prüfende Ausgangsmodell der Kausalanalyse Rechengänge mit für die Bodenerosion ohnehin bedeutungslosen Variablen von vornherein ausgespart gemacht werden können.

4.2.1.5 Modellfindung / Regressionsanalyse

Im letzten Schritt können nun auf Grundlage der derart „verdichteten“ Variablen, über deren Zusammenhänge untereinander Informationen qua Faktorenanalyse vorliegen, die kausalen Beziehungen zwischen dem Indikator für Bodenerosion BEind als abhängige Variable und den die möglichen Einflußvariablen repräsentierenden unabhängigen Variablen Rx multivariat untersucht werden. Da alle unabhängigen Variablen in verhältnisskalierter Form vorliegen und auch die in ihrer ursprünglichen Form gemischtskalierten Daten über Bodenerosion<79> durch die Umrechnung in Flächenanteile in verhältnisskalierte Variable überführt werden konnten, ist die Verwendung eines parametrischen Verfahrens angezeigt. Als multivariates, parametrisches, strukturenprüfendes Verfahren kommt die multiple lineare Regressionsanalyse zur Anwendung. Da die Anzahl der in das Modell zu integrierenden Variablen nicht von vornherein bekannt ist, werden die Repräsentanten Rx nach der Methode der schrittweisen (englisch: stepwise) Regression, die eine Kombination aus vorwärts- und rückwärtsgerichteten Modellfindungsverfahren darstellt, Schritt für Schritt in das Modell aufgenommen. Besonders wichtig ist, daß bei der Deutung des derart spezifizierten Modells und der einzelnen Regressionsparameter jede Variable im Kontext der Einflußkategorie bzw. des Faktors, den sie repräsentiert, gesehen wird.


92

4.3 Definition von Indikatorvariablen

Definition der Variablen für Bodenerosion

Die Variablen für das Ausmaß der Bodenerosion auf nationaler Ebene werden auf Grundlage der in Kapitel 2 beschriebenen aggregierten Erosionsindizes definiert. Als Degradationsformen werden sämtliche Formen der Wind- und der Wassererosion (im folgenden: E für Winderosion und W für Wassererosion) berücksichtigt und außerdem eine chemische Degradationsform, die im bodenkundlichen Sinne nicht der Erosion zuzurechnen ist: der Verlust von Nährstoffen und organischer Substanz im Oberboden (C, soil depletion), der nicht von Wind- oder Wassererosion verursacht wird.

WEC:

Als wichtigster Erosionsindex ist der aggregierte Index WEC zu betrachten. Er gibt den Anteil der gegen Ende der 80er Jahre durch Wasser-, Winderosion und C degradierten Fläche an der degradierbaren Landesfläche - Ödland ausgenommen - wieder. Diese degradierbare Landesfläche wird im folgenden als Referenzfläche bezeichnet.

W,E,C:

Um analysieren zu können, inwieweit es für einzelne Erosionsformen spezifische Erklärungsmuster gibt, werden außerdem drei nach Erosionstyp disaggregierte nationale Erosionsindizes formuliert: W, E und C. Sie geben für jedes Land den allein durch Wasser- oder Winderosion oder durch C degradierten Flächenanteil wieder.

WEC2_4:

Dieser Indikator gibt den Anteil der Referenzfläche wieder, der mittel bis extrem schwer erodiert ist (Schweregrade „2“ bis „4“). Es wird davon ausgegangen, daß bei der differenzierten Einschätzung der Schweregrade „0“ (bzw. stabiler Flächen) und „1“ der subjektive Ermessensspielraum der GLASOD-Experten relativ groß ist - geht es doch dabei um die Frage, ob eine Fläche insgesamt als stabil zu betrachten ist oder als geringfügig degradiert. Ebenso liegt der Einstufung des Schweregrades als „2“ oder „3“ (mittel bis schwer erodiert) kein exakt objektivierbares Kriterium zugrunde. Hingegen ist vom Schweregrad „2“ an aufwärts klar, daß die Produktivität der entsprechenden Fläche mindestens stark zurückgegangen ist, wodurch sich die Schweregrade „2“ bis „4“ gegenüber den Einstufungen „0“ und „1“ klar unterscheiden.

WEC_s:

Neben dieser recht groben Einteilung in eher leicht und eher schwer erodierte Flächen wird als zweite Variable, die den Schweregrad der Degradation berücksichtigt, der in Kapitel 2 vorgestellte gewichteter Erosionsindex einbezogen. Jede erodierte Fläche bzw. mapping unit wird bei der Aggregation auf nationale Ebene gemäß der Erosionsschwere gewichtet.


93

Insgesamt können anhand dieser Parameter das relative Ausmaß der Bodenerosion im allgemeinen sowie das Ausmaß verschiedener Erosionstypen und schwer erodierter Flächen beschrieben werden<80>. Die relative Bedeutung verschiedener Erosionsdeterminanten wird jeweils getrennt, immer nur für eine dieser abhängigen Variablen analysiert. Im Vordergrund steht dabei der allgemeine Index WEC. Ein Grund dafür ist, daß dem nach Erosionstyp und Schweregrad differenzierten Vorgehen durch das Aggregationsniveau der Daten Grenzen gesetzt sind. Wenn die Aufsplittung der Erosionsindizes so weit geht, daß schließlich nur noch sehr kleine Anteile der Landesfläche Gegenstand der Untersuchung sind, so wird die „Schere“ zwischen den nationalen Durchschnittswerten für die möglichen Ursachen und den Erosionsvariablen u.U. sehr weit. Das bedeutet, daß die geographische Entkopplung von möglichen Determinanten der Bodenerosion und dem Erosionsstandort - wie in Abschnitt 4.1.2 im Zusammenhang mit dem Aggregationsniveau der Analyse besprochen - um so wahrscheinlicher wird, je detaillierter die Erosionsindizes definiert sind. Ein anderer Grund ist, daß WEC im Vergleich zu den Indizes, die die Erosionsschwere mit berücksichtigen, nicht durch die letztlich subjektive Experteneinschätzung der Erosionsschwere verzerrt ist.

Operationalisierung der Datengrundlage für natürliche und anthropogene
Determinanten der Bodenerosion

„Trying to use measurements originally designed for another purpose is like wearing somebody else´s suit - it may cover the body but rarely does it fit.“ (STOCKING, 1987, S. 51):

Mit diesem Defizit bestmöglich umzugehen, ist das Leitmotiv bei der Zusammenstellung und Operationalisierung der Datengrundlage für die empirische Analyse. Im Gegensatz zu STOCKING, der offenkundig „maßgeschneiderte Anzüge“ bevorzugt, muß hier auf Daten „von der Stange“ zurückgegriffen und eine möglichst gute Anpassung dieser Daten an die Fragestellung und den Charakter der Analyse erzielt werden.

Die Festlegung des Referenzzeitraumes erfolgt entsprechend den vorhandenen internationalen Datensammlungen. Ein Großteil der Datensätze liegt vom Jahr 1961 an vor, so daß generell der Zeitraum 1961 bis 1990 für die Analyse gewählt wird<81>. Wichtig ist, daß die Datensätze sich auf einen Zeitraum innerhalb des gewählten zeitlichen Referenzrahmens beziehen. Wieder andere Datensätze liegen nicht in Form von Zeitreihen vor, sondern nur für einen Zeitpunkt. Sofern davon ausgegangen werden kann, daß derartige Datensätze eine mittel- oder langfristig in einem Land vorherrschende Struktur wiedergeben - also nicht ein zufälliges Ergebnis eines bestimmten Jahres darstellen - kommen auch sie für die Analyse in Frage.


94

Bei der Auswahl und Operationalisierung vorhandener Datensätze ist das zentrale Kriterium, ob sie die in der Literatur diskutierten Erosionsdeterminanten treffend wiedergeben. Darüberhinaus sind folgende Kriterien bzw. wünschenswerte Eigenschaften der Datenbasis besonders wichtig. Sie werden anhand einzelner Beispielvariablen erläutert<82>:

  1. Die Datengrundlage soll ökologisch orientiert sein, d.h. agroklimatische und Bodenbedingungen sollen - wo immer möglich - auch bei der Definition von Variablen für anthropogene Rahmenbedingungen berücksichtigt werden.
    Beispiel: In Ergänzung zu den gängigen person-land-ratios werden zur Quantifizierung des Bevölkerungsdrucks die Daten des Agro-Ecological-Zoning-Project (AEZ) der Food and Agricultural Organization (FAO) herangezogen und an die Fragestellung angepaßt<83>. Bei diesen Daten wird die potentielle ökologische Tragfähigkeit (potential population supporting capacity - ppsc) ins Verhältnis zu tatsächlichen Bevölkerungsdichten (population density) gesetzt (vgl. Anhang A-3.2)<84>. Ein weiteres Beispiel ist der für die Agrarpreisentwicklung der vergangenen Jahrzehnte gewählte Indikator: Unter der Annahme, daß die vorherrschenden natürlichen Bedingungen die in einem Land kultivierbaren Früchte und auch die tatsächliche Anbaustruktur mitbestimmen, und daß vor allem die Preisentwicklung der wichtigsten kultivierbaren und kultivierten Früchte die Anbauentscheidungen der Landnutzer in ihrer Summe bestimmen, wurde die Veränderung der zuvor deflationierten Produzentenpreise im Referenzzeitraum als gewichteter Durchschnitt der Preisanstiegsraten aller für ein Land relevanten Produkte bestimmt. Als Gewichtungsfaktor wurde der durchschnittliche Anbauanteil einer Kultur an der landwirtschaftlichen Nutzfläche im Referenzzeitraum verwendet (vgl. Anhang A-3.4)<85>.
  2. Die Datengrundlage soll sich am latenten Charakter der Hypothesen und Variablen auf national aggregiertem Niveau orientieren.
    Bsp: Geht man von der lokal gültigen Hypothese aus, daß abgeholzte Flächen erosionsanfälliger sind als mit Naturwald bewachsene, so ist bei Übertragung dieser Hypothese auf nationaler Ebene nicht klar, welche Indikatorvariable die Abholzung am treffendsten beschreibt und tatsächlich erosionsrelevant ist. So ist es denkbar, den durchschnittlichen Waldanteil eines Landes oder aber jährliche Abholzungsraten zu untersuchen. Ebenso ist bei den jährlichen Abholzungsraten unklar, ob eher der pro Landesfläche abgeholzte Flächenanteil oder der abgeholzte Anteil des Waldes für Bodenerosion ausschlaggebend ist. Aus diesem Grund werden etliche der angenommenen Einflußgrößen mehrfach, in verschiedener Weise definiert, berechnet und in die Datengrundlage aufgenommen.

    95

  3. Die Datengrundlage soll flächenorientiert sein. In Analogie zum Flächenbezug der national aggregierten Erosionsindizes wird versucht, auch alle anderen Variablen flächenhaft zu quantifizieren.
    Bsp.: Als ein wichtiger Armutsmaßstab wird der Anteil der landwirtschaftlichen Nutzfläche annäherungsweise bestimmt, der von Armen bewirtschaftet wird. Hierzu werden Schätzungen über den Anteil Armer unter der Landbevölkerung gegen Ende der 80er Jahre mit Hilfe von Angaben zu dem von verschiedenen Einkommensgruppen bewirtschafteten Anteil der Fläche in einzelnen Entwicklungsländern, also einer Art Gini-Koeffizienten, kombiniert (vgl. Anhang A-3.3)<86>. Auch die vorherrschenden natürlichen Bedingungen werden in Form von Flächenanteilen ausgedrückt, z.B. der Anteil der Landesfläche mit einer Hangneigung von mehr als 3%, 8%, 30%.
  4. Die Datengrundlage soll die zeitliche Dimension erfassen.
    Bsp.: Für sämtliche Indikatorvariablen, denen Zeitreihen zugrundeliegen, werden sowohl Durchschnitte über den Referenzzeitraum 1961-1990<87> gebildet als auch die Wachstumsraten der Größen in diesem Referenzzeitraum berechnet. An dieser Stelle wird eine grundlegende Annahme getroffen: Es wird davon ausgegangen, daß Ausmaß und Grad der anthropogenen Bodenerosion gegen Ende der 80er Jahre von anthropogenen Ursachen in den 30 vorhergehenden Jahren beeinflußt wurden. Zwar ist diese Annahme plausibel, und ebenso ist es allemal legitim, Einflüsse aus diesem Zeitraum auf Bodenerosion zu untersuchen, aber es werden - letzlich in Ermangelung von Daten - anthropogene Einflüsse früherer Perioden ausgeklammert (s. auch Abschnitt 4.1.1). Vergleichbare Probleme der zeitlichen Eingrenzung und Staffelung treten bei jeder Untersuchung zeitbezogener Ursache-Wirkung-Beziehungen auf. Sie bedeuten statistisch gesehen letztlich, daß eine Gefahr der Unterspezifizierung des analytischen Modells besteht.
    Während angenommen werden kann, daß die Durchschnittsgrößen eher strukturellen Charakter haben und längerfristige Entwicklungen wiedergeben, stehen die Wachstumsraten für die Veränderungen in etwa dem Zeitraum, der auch bei der Erhebung der GLASOD-Daten zugrunde gelegt wird. Die Berechnung der Wachstumsraten erfolgt unter Berücksichtigung der Datenqualität: Bei Datensätzen, die als wenig zuverlässig gelten werden die Wachstumsraten sowohl exponentiell als auch anhand von Endpunkten berechnet.

    96

  5. Die Datengrundlage soll verschiedene Wirkungsebenen umfassen. Durch die Einbeziehung von landnutzerischen und natürlichen Daten über die sozioökonomischen, demographischen und politischen Rahmenbedingungen hinaus soll Licht in die black box gebracht werden, die der Landnutzer und seine Produktionsentscheidung als Bindeglied zwischen den Rahmenbedingungen und Bodenerosion darstellen<88>.
    Bsp.: Es werden Indikatorvariablen für die Intensität und Struktur der Produktion sowohl im Pflanzenbau als auch in der Tierproduktion und für die natürlichen Bedingungen bestimmt.
  6. Die Datengrundlage soll differenziert sein. Nicht zuletzt wegen des hohen Aggregationsniveaus der Analyse, das eher grobe, größenordnungsbezogene Aussagen zur Fragestellung erlaubt, wird versucht, die Variablen selbst auf diesem Niveau möglichst genau zu definieren.
    Bsp.: So wird zur Analyse des Einflusses der Anbaustruktur nicht nur unterschieden in Dauerkulturen und einjährige Kulturen oder in Nahrungs- und Exportkulturen, wie das in anderen Untersuchungen teilweise der Fall ist. Zwar ist der Grad der Bodenbedeckung bei Dauerkulturen oft höher als bei einjährigen Kulturen und diese Dauerkulturen entsprechen häufig den exportierten Kulturen, aber das muß nicht so sein und kann die Analyse stark verzerren - Baumwolle oder Zuckerrohr z.B. zählen zu den eher bodengefährdenden Dauerkulturen. Statt dessen werden die verschiedenen Kulturen nach ihren Bodenbedeckungseigenschaften in fünf verschiedene Erosivitätsklassen eingeteilt. Für jedes Land wird dann berechnet, welcher Anteil der Anbaufläche mit Kulturen der verschiedenen Erosivitätsklassen bebaut wird, und wie sich die Anbauanteile im Referenzzeitraum verändert haben (vgl. Anhang A-3.1). Da die FAO-Datengrundlage für den Anbauumfang der einzelnen Kulturen eher als heterogen einzuschätzen ist, wird zudem für jedes Land geprüft, welcher Anteil der Anbaufläche von den erfaßten Kulturen abgedeckt ist<89>. Nur in dem Fall, daß ein hinreichend großer Teil der Fläche durch die Hektarangaben zu den einzelnen Kulturen repräsentiert wird, wird der entsprechende Länder-Datensatz in die Analyse aufgenommen. Ähnlich differenziert wird auch bei anderen Indikatorvariablen vorgegangen.

In der auf den folgenden Seiten wiedergegebenen Tabelle 4-1 ist eine Liste der für die natürlichen Bedingungen, für die Landnutzungsintensität und -struktur sowie die demographischen und sozioökonomischen Rahmenbedingungen zusammengestellten Variablen enthalten. In der ersten Spalte der Tabelle ist die Abkürzung der jeweiligen Variablen


97

genannt, in der zwieten Spalte werden die Variablen beschrieben. Aus der dritten und vierten Spalte ist die ursprüngliche Datenquelle ersichtlich, wobei in der dritten Spalte die datenerhebende Organisation und in der vierten Spalte die Datensammlung angegeben sind. Bei dem überwiegenden Teil der dargestellten Variablen handelt es sich jedoch nicht um die „Rohdaten“ der genannten Datensammlungen, sondern um Größen, die auf Grundlage dieser Rohdaten berechnet wurden (Quotienten, Wachstumsraten für den Referenzzeitraum etc.). Folgende Abkürzungen werden für die Quellen der Ursprungsdaten in der Tabelle 4-2 verwendet:

FAO:

Food and Agricultural Organization

IIASA:

International Insitute for Applied Systems Analysis

UNDP:

United Nations Development Programme

IFAD:

International Fund for Agricultural Development / JAZAIRY et al.

WB:

The World Bank / Weltbank

AEZ:

Daten des Agroecological Zoning Project: „Land Resources for Populations of the Future“ der FAO (FAO/IIASA, 1982)

STAT:

Statistische Datenbank der Food and Agricultural Organization (auch agrostat, faostat) (FAO, Daten für 1961 bis1990)

WRP:

Bericht und Datensammlung The State of World Rural Poverty von JAZAIRY et al. für IFAD (JAZAIRY et al., 1991)

ESSA:

Datensammlung der Abteilung Statistical Analysis Service der FAO

AGLS:

Datensammlung der Abteilung Soil Resources, Management and Conser-vation Service der FAO

HDR:

Human Development Report des UNDP (1995)

WD94:

Datensammlung der Weltbank (1994): World Data 1994 - World Bank Indicators on CD RomTables

AT2000:

FAO-Datensammlung für das Projekt „Agriculture Towards 2000“ und Folgeprojekte (Alexandratos, 1988 und 1995)

SMW:

Soil Map of the World der FAO (FAO, 1995b)

FRA:

Forest Resources Assessment 1990 - Tropical Countries der FAO (FAO, 1993)

In der letzten Spalte schließlich ist die Anzahl der Länder, für die Daten der jeweiligen Variable vorliegen, angegeben. Sehr kleine Länder und Inseln werden dabei nicht berücksichtigt, weil hier die Möglichkeit besteht, daß Ungenauigkeiten bei der Aufteilung der mapping units auf verschiedene Länder durch den ARCINFO-overlay zu relativ starken Verzerrungen der Erosionsindizes führen. Als Kriterium für die Aufnahme eines Landes wird eine Mindestgröße von 20.000 km2 festgelegt.


98

Tabelle 4-1: Variablen für natürliche und anthropogene Rahmenbedingungen
- Legende, Quellen und Anzahl von Ländern mit Daten -

LEGENDE
ø: Durchschnitt
1) Anbaufläche hier: Summe aus Ackerland (arable land) und Dauerkulturfläche.


99

Tabelle 4-1: (Fortsetzung)

LEGENDE
LN: Landwirtschaftliche Nutzfläche
WR: Durchschnittliche jährliche Wachstumsrate
ø: Durchschnitt
p.c.: per capita
s: nur signifikante Wachstumsraten berücksichtigt, d.h. geschätzte Wachstumsraten, deren Koeffizienten mit einer Irrtumswahrscheinlichkeit < 0,1 die Zeitreihe wiedergeben.
(s): Es werden zwei Datensätze berücksichtigt, einerseits unter Zugrundelegung aller geschätzten Wachstumsraten, andererseits unter Zugrundelegung nur der signifikanten Wachstumsraten.


100

Tabelle 4-1: (Fortsetzung)

LEGENDE
LN: Landwirtschaftliche Nutzfläche
WR: Durchschnittliche jährliche Wachstumsrate
ø: Durchschnitt
s: nur signifikante Wachstumsraten berücksichtigt, d.h. geschätzte Wachstumsraten, deren Koeffizienten mit einer Irrtumswahrscheinlichkeit < 0,1 die Zeitreihe wiedergeben.
*): Je nach Erosivitätsklasse
2) Anbaufläche hier: Summe der Erntefläche der berücksichtigten Früchte
Klasse 1: Bananen, Kakao, Ölpalmen, Kochbananen, Tee
Klasse 2: Zitrusfrüchte, Kaffee, other fruit (gemäß FAO-Einteilung), Raps
Klasse 3: Gerste, Roggen, Hafer, Weizen, Hirse, paddy-Reis, Zuckerrohr, Weinrauben
Klasse 4: Bohnen (Castor beans, dry beans, dry broad beans, green beans), Erbsen (chick-peas, dry peas, green peas), Erdnüsse, Linsen, Mais, Kartoffeln, Baumwolle, Sorghum, Sojabohnen, Zuckerrüben, Sonnenblumen, Süßkartoffeln, Tabak
Klasse 5: Cassava, Taro, Yams
3) CI und PCP_T: Schätzungen von 1989 mit strukturellem Charakter.
4) Anbaufläche hier: Summe aus Ackerland (arable land) und Dauerkulturfläche.


101

Tabelle 4-1: (Fortsetzung)

LEGENDE
LN: Landwirtschaftliche Nutzfläche
WR: Durchschnittliche jährliche Wachstumsrate
ø: Durchschnitt
s: nur signifikante Wachstumsraten berücksichtigt, d.h. geschätzte Wachstumsraten, deren Koeffizienten mit einer Irrtumswahrscheinlichkeit < 0,1 die Zeitreihe wiedergeben.
5) Große Nutztiere: Rinder, Kamele, Pferde, Esel. Kleine Nutztiere: Schafe, Ziegen, Schweine.


102

Tabelle 4-1: (Fortsetzung)

LEGENDE
LN: Landwirtschaftliche Nutzfläche
WR: Durchschnittliche jährliche Wachstumsrate
ø: Durchschnitt
p.c.: per capita
s: nur signifikante Wachstumsraten berücksichtigt, d.h. geschätzte Wachstumsraten, deren Koeffizienten mit einer Irrtumswahrscheinlichkeit < 0,1 die Zeitreihe wiedergeben.
(s): Es werden zwei Datensätze berücksichtigt, einerseits unter Zugrundelegung aller geschätzten Wachstumsraten, andererseits unter Zugrundelegung nur der signifikanten Wachstumsraten.
6) Auf Grundlage der agrarökologischen Tragfähigkeit, engl. Potential Population Supporting Capacity (PPSC), und der tatsächlichen Bevölkerungsdichte (engl. Population Density, PD) berechnete Variable: Durchschnitt von (PPSC : PD) im Jahr 1975 und der Schätzung von (PPSC : PD) für das Jahr 2000. Berechnungsgrundlage und Vorgehen im einzelnen: s. Anhang A-3.2
7) Anbaufläche hier: Summe aus Ackerland (arable land) und Dauerkulturfläche.


103

Tabelle 4-1: (Fortsetzung)

LEGENDE
LN: Landwirtschaftliche Nutzfläche
WR: Durchschnittliche jährliche Wachstumsrate
ø: Durchschnitt
p.c.: per capita
s: nur signifikante Wachstumsraten berücksichtigt, d.h. geschätzte Wachstumsraten, deren Koeffizienten mit einer Irrtumswahrscheinlichkeit < 0,1 die Zeitreihe wiedergeben.
(s): Es werden zwei Datensätze berücksichtigt, einerseits unter Zugrundelegung aller geschätzten Wachstumsraten, andererseits unter Zugrundelegung nur der signifikanten Wachstumsraten.
*): Je nach Kultur
8) x: Reis, Weizen, Mais, Sorghum, Kartoffeln, Bohnen (dry beans), Cassava, Erdnüsse, Kaffee, Zuckerrohr, Baumwolle (seed cotton), Tabak.
Quelle: eigene Darstellung


104

Insgesamt sind von den in der Literatur diskutierten und in Kapitel 3 vorgestellten demographischen und sozioökonomischen Einflußgrößen der Bodenerosion in erster Linie Bevölkerungsdrucks- und Armutsvariablen gut erfaßt. Ebenso spiegeln einige der Landnutzungsvariablen mögliche aggregierte Reaktionen der Landnutzer auf Bevölkerungsdruck und Armut durch eine verstärkte Extensivierung und/oder Intensivierung der Landnutzung wider. Die aggregierte Größe für die Veränderung der relevanten Agrarpreise, DGWP, ist deswegen als besonders geeignet anzusehen, weil sie die Wirkungen makroökonomischer und agrarpolitischer Bedingungen insgesamt auszudrücken vermag. Gleichzeitig steht sie direkter als die politischen Rahmenbedingungen selbst (z.B. Protektionsraten) mit den Anbauentscheidungen der Produzenten in Verbindung. Deswegen ist zu erwarten, daß mögliche Zusammenhänge mit Bodenerosion auf dieser Zwischenebene eher nachweisbar sind als auf der auf Ebene von Makro-Politiken. Dennoch wurde die Datenlage z.B. für Protektionsniveaus eruiert - die vorliegenden Daten sind aber für eine aggregierte vergleichende Analyse nur bedingt geeignet, weil sie nur eine begrenzte Anzahl von Produkten, Ländern und einen begrenzten Zeitraum abdecken. Relative Preise und Preisveränderungen werden auch für die bedeutendsten zwölf Kulturen einzeln berechnet. Hier steht die Frage im Vordergrund, inwieweit das relative Preisniveau oder der relative Anstieg der Preise einzelner Kulturen über veränderte Anbaustrukturen (Flächenelastizität) zu mehr oder weniger Bodenerosion geführt haben. Anhand der Landnutzungsvariablen werden teilweise auch Größen erfaßt, die den u.U. exogenen technischen Fortschritt bemessen: die Zunahme der Düngemittelintensität<90> oder der Traktorendichte sowie etwa auch - als Ergebnis des technischen Fortschritts - das Ertragswachstum im Referenzzeitraum.

Hingegen sind die Indikatoren für Unsicherheit und die Art der Landbesitzverhältnisse insgesamt als unbefriedigend zu bewerten. Nur eine relativ geringe Anzahl von Ländern ist erfaßt, außerdem vermögen die Indikatoren kaum, den Gegenstand der diesbezüglichen theoretischen Diskussion wiederzugeben. Der Schwerpunkt der empirischen Analyse liegt dementsprechend eher auf den demographischen, sozialen, ökonomischen und preispolitischen Rahmenbedingungen der Landnutzung in Entwicklungsländern und ihren Wirkungen auf Bodenerosion.

Zur Qualität der Datengrundlage ist grundsätzlich anzumerken, daß sie sicherlich heterogen ist und von Variable zu Variable sowie innerhalb jeder Datensammlung mit der Qualität der Berichterstattung einzelner Länder an die Daten sammelnde Organisation variiert. Zudem sind die Daten Veränderungen in den Datenerhebungs- und Auswertungsmethoden durch die jeweilige Organisation unterworfen. MONTGOMERY und PECK beschreiben derartige happenstance-data <91> folgendermaßen:


105

„...that is, data that have been extracted from historical records. Happenstance data are often saturated with defects including outliers, ´wild´ points, and inconsistencies resulting from changes in the organization´s data collection and information-processing system over time. These data defects can have great impact on the variable selection process and lead to model misspecification.“ (MONTGOMERY und PECK, 1992,
S. 269).

Ein weiterer Punkt ist, daß bei einigen Variablen die Vergleichbarkeit der Daten zwischen den Ländern zu Recht angezweifelt werden darf. Dies gilt beispielsweise besonders für Wohlstands- bzw. Armutsindikatoren (vgl. zu dieser Diskussion z.B. SAUTTER und SERRIES, 1993), weswegen gerade hier auf mehrere Indikatoren, die auch die Versorgungslage der Bevölkerung charakterisieren, zurückgegriffen wird. In einem Sonderbeitrag des Weltentwicklungsberichtes 1991 zu den Möglichkeiten und Grenzen quantitativer Analysen als Informationsquelle für Politikentscheidungen wird ebenfalls auf die genannten Gefahren qualitativ heterogenen Datenmaterials hingewiesen. Die Autoren kommen jedoch zu dem Schluß:

„Diese Warnungen sollen nicht dazu führen, daß auf die quantitative Analyse verzichtet wird. Sie befreien auch nicht von der Verantwortung, wirtschaftspolitische Schlußfolgerungen auf grund solcher Analysen zu formulieren. Es gibt keine ernstzunehmende Alternative zur empirischen Analyse als Basis für die Politik.“ (WORLD BANK, 1991, S. 53) .

Insofern wird die gemischte Datenqualität an dieser Stelle zur Kenntnis genommen und bei der Ableitung von Schlußfolgerungen der empirischen Analyse berücksichtigt.


106

4.4 Klassifizierung der Länder nach agrarökologischen Zonen

Im empirischen Teil der vorliegenden Arbeit sollen grundsätzlich die allgemeinen anthropogenen Ursachen von Bodendegradation analysiert werden. Da davon ausgegangen werden kann, daß es außerdem Ursachen gibt, die für jede Klimazone spezifisch sind, ist es sinnvoll, die untersuchten Länder nach Klimazonen zu gruppieren und so eine gewisse Homogenität innerhalb einzelner untersuchter Teil-Stichproben herzustellen. Ein Problem bei diesem Vorgehen ist die einhergehende Reduktion des Stichprobenumfanges, so daß bei der Genauigkeit der Gruppierung nach Klimazonen hier gewisse statistische Grenzen gesetzt sind.

Als Kriterien für die Gruppierung der Länder werden zunächst drei verschiedene klimatische Größen in Betracht gezogen: die durchschnittlichen Jahresniederschläge sowie der Anteil besonders trockener und besonders humider Klimate an der Gesamtfläche des Landes (Tabelle 4-3). Dabei wird die Klimaklassifikation von KÖPPEN zugrunde gelegt, der die Klimate der Erde in fünf Klimazonen gliedert (vgl. MÜLLER, 1983, S. XI ff.):

- A-Klimate:

tropische Regenklimate ohne kühle Jahreszeit. Die Mitteltemperatur des kältesten Monats ist > 18°C.

- B-Klimate:

Trockenklimate. Die Abgrenzung zu den anderen Klimazonen geschieht durch Trockengrenzformeln, die KÖPPEN empirisch ermittelt hat<92>.

- C-Klimate:

warmgemäßigte Regenklimate. Die Mitteltemperatur des kältesten Monats liegt zwischen 18°C und -3°C, die des wärmsten Monats ist > 10°C.

- D-Klimate:

Schnee-, Wald- oder boreale Klimate. Die Mitteltemperatur des kältesten Monats ist < -3°C, die des wärmsten Monats < 10°C.

- E-Klimate:

Eisklimate. Die Mitteltemperatur des wärmsten Monats liegt unter 10°C.

Für alle betrachteten Länder werden die Anteile der fünf Klimazonen an der Landesfläche in Anlehnung an die Klimakarten nach KÖPPEN und GEIGER (MÜLLER, 1983, S. 109, 229 und 263) grob ermittelt. Diese Klimaindikatoren sind deswegen geeigneter als die Daten der FAO-Datenbank AT2010 (AHDSA etc., s. Tabelle 4-2), weil letztere sich nur auf die mit einjährigen und Dauerkulturen bebaute Fläche beziehen und die klimatischen Bedingungen des Dauergrünlandes außer acht lassen. Die Anteile der Klimate A und B an der Landesfläche werden als Gruppierungsmerkmale ausgewählt.

Weiterhin kann von der Annahme ausgegangen werden, daß es unterschiedliche Erklärungsmuster für Bodendegradation in arideren Regionen mit viel Viehhaltung durch Überweidung auf der einen Seite und für Bodendegradation in humideren, vom Ackerbau dominierten Regionen auf der anderen Seite gibt. Deshalb werden über die drei klimati-


107

schen Variablen hinaus (a) der Anteil Dauergrünland an der landwirtschaftlichen Nutzfläche (PP_AA , s. Tabelle 4-2) und (b) der Anteil der im Rahmen des GLASOD identifizierten direkten Erosionsursachen Überweidung (overgrazing) und Übernutzung der Vegetation für Haushaltszwecke (overuse of fuelwood for domestic use)<93> am Zustandekommen der gesamten Bodenerosion (EG_DEG) als Kriterien hinzugezogen.

Es ist offensichtlich, daß alle fünf derart bestimmten Merkmale Proxis für das vorherrschende Klima und deshalb voraussichtlich korreliert sind, weshalb im Vorfeld der Clusteranalyse zur Gruppierung der Länder zunächst eine Faktorenanalyse durchgeführt wird (vgl. hierzu BACKHAUS et al., 1994, S. 313). Von vier aus den fünf Variablen extrahierten Faktoren erklärt der erste 63% der Gesamtvarianz der fünf Variablen. Er hat starken Bezug vor allem zu den Jahresniederschlagsverhältnissen und zur Relevanz der Überweidung als direkter Erosionsursache, die jeweiligen Faktorladungen betragen -0,90 und 0,88 (nach der Varimax-Methode rotiert: -0,76 und 0,83). Auch die Anteile der Klimazonen A und B an der Landesfläche werden von diesem Faktor erfaßt, sie haben Faktorladungen von 0,88 (Klimazone B, rotiert: 0,44) und -0,72 (Klimazone A, rotiert: 0,27) (vgl. Tabellen A-4.1 und A-4.2 im Anhang 4). Da damit die inhaltlich als am wichtigsten erachteten Kriterien zur Gruppierung der Länder hinreichend gut erfaßt und zusammengefaßt sind, werden die Faktorwerte allein dieses Faktors als Variable in die Clusteranalyse aufgenommen. Somit wird auf das Kriterium des Anteils Dauergrünland an der landwirtschaftlichen Nutzfläche nicht explizit zurückgegriffen - es ist als Kriterium zur Vermeidung einer heterogenen Stichprobe ohnehin weniger bedeutsam als die klimatischen Größen.

Zur Gruppierung der Länder nach dem klimatischen Faktorwert wird eine Clusteranalyse auf der Basis eines hierarchischen, agglomerativen Algorithmus durchgeführt<94>. Für die Anzahl der Cluster wird ein Bereich zwischen 4 und 8 angegeben. Unter Berücksichtigung der bereits weiter oben genannten statistischen Restriktion bzgl. der Fallzahlen in den einzelnen Gruppen kann eine Clusteranzahl von sechs Clustern als geeignet angesehen werden.

Die Länder der Cluster 1 (10 Länder) und 2 (12 Länder) sind durch einen hohen Anteil von Zonen mit Trockenklimaten, geringe Jahresniederschläge (maximal 550 mm/a) und durch eine große Häufigkeit von Überweidung und Feuerholzübernutzung als Degradationsursachen gekennzeichnet (vgl. Tabelle 4-2). Ähnlich, nur weniger extrem, stellt sich die Situation in den Ländern des Clusters 3 ( 15 Länder) dar: Auch hier überwiegen Länder mit geringen bis mittleren Jahresniederschlägen, z.T. haben einige Länder allerdings einen höheren Anteil humider Klimazonen. Die Länder des vierten Clusters (35 Länder)


108

sind insgesamt der „mittleren“ bzw. nicht-ariden Klimazone zuzuordnen, in der Aridität und die Bedeutung von Überweidung als Erosionsursache in den Hintergrund treten. Cluster 5 (11 Länder) kann als gemischte Gruppe bezeichnet werden, die Länder haben im Mittel geringere Jahresniederschläge als die Länder des Clusters 4, auch der Anteil trockener und humider Klimate an der Landesfläche variiert stärker. Die sechste Cluster-Gruppe schließlich (20 Länder) umfaßt unzweifelhaft die humidesten Länder mit bis zu rd. 3.200 mm durchschnittlichen Jahresniederschlägen. Hier stehen nicht mehr die Überweidung und Feuerholzübernutzung durch private Haushalte, sondern landwirtschaftliches Mißmanagement und Abholzung als unmittelbare Degradationsursachen im Vordergrund. Eine Liste der in den einzelnen Clustern enthaltenen Länder ist im Anhang 4, Tabelle A-4.2, enthalten.

Tabelle 4-2: Klimagruppen K1 bis K6 - Mittelwerte verschiedener Ariditäts-
indizes und Anzahl der Länder pro Gruppe

 

Klima B

- trocken -

[%]1)

Klima A

- humid -

[%]1)

Jährliche

Niederschläge

[mm/a]

Überweidung u.

Feuerholzeinschlag2)

[% erodierte Fläche]

Anteil Dauergrünland

[%/LN]3)

Anzahl Länder4)

K1

100

0

186

95

91

10

K2

79

3

308

74

74

12

K3

48

15

688

45

73

15

K4

3

60

1592

12

56

35

K5

25

37

1050

25

71

11

K6

0

91

2319

2

32

20

1) Anteil des jeweiligen Klimas an der Landesfläche
2) Bedeutung der unmittelbaren Ursachen Überweidung und Feuerholzeinschlag privater Haushalte: Anteil der erodierten Fläche, dem diese unmittelbaren Ursachen im GLASOD zugeordnet werden
3) LN: Landwirtschaftliche Nutzfläche. Die Größe ist kein Kriterium bei der Clusterbildung
4) Anzahl von Ländern, die für jede Klimagruppe erfaßt sind
Quelle: eigene Darstellung

Abschließend sei angemerkt, daß bei der nach Klimazonen differenzierten Analyse im empirischen Teil der vorliegenden Arbeit die sehr ariden Länder (Cluster 1 und 2), die sehr humiden Länder (Cluster 6) sowie die Länder, die weder besonders arid noch besonders humid sind (Cluster 4), im Mittelpunkt stehen. Die Cluster 1 und 2 werden, auch wegen der Fallzahlen, zusammengefaßt betrachtet, die Cluster 4 und 6 in einigen Fällen ebenfalls. Die weniger extremen und relativ kleinen Cluster 3 und 5 werden nicht gesondert analysiert. Besonderheiten bzw. für einzelne Klimazonen typische Erosionsursachen können sicherlich eher anhand der klar voneinander abgrenzbaren Cluster 1-2, 4 und 6 herausgearbeitet werden. Im folgenden werden die relevanten Cluster x mit Klima x (abgekürzt Kx) bezeichnet.


109

4.5 Zusammenfassung


Fußnoten:

<62>

Langfristig verändern sich erosionsbedingt auch die Bodeneigenschaften bzw. die Erodibilität des Bodens.

<63>

Umgekehrt wird als Argument für die mangelnde Bereitschaft von Landnutzern, Erosionsschutzmaßnahmen einzuführen, oft die geraume zeitliche Verzögerung genannt, mit der der Nutzen dieser Maßnahmen manifest wird (vgl. THAMPAPILLAI und ANDERSON, 1994, S. 297).

<64>

Verwitterungsböden enthalten meist relativ weniger Nährstoffe, und diese konzentrieren sich überwiegend in der obersten Bodenschicht.

<65>

In den Richtlinien des GLASOD ist allerdings nicht eindeutig festgelegt, welches der zugrundegelegte Zeitpunkt für den Ausgangszustand bzw. die Ausgangsproduktivität der Böden ist, im Verhältnis zu dem dieser Produktivitätsrückgang eingeschätzt wird.

<66>

Da bei Annahme der beschriebenen reziproken Wirkungen Armut eine Funktion der Bodenerosion wäre.

<67>

Ein georeferenzierter Katalog derartiger Maßnahmen wird z.B. im Rahmen des WOCAT-Projektes derzeit für Afrika erstellt (vgl. CENTRE FOR DEVELOPMENT AND ENVIRONMENT, 1996).

<68>

OLDEMAN selbst unterscheidet drei historische Phasen: (1) Erosion in frühen Zivilisationen (bis ca. 1750); (2) die Ära der europäischen Expansion nach Amerika, Australien, Asien und Afrika (1750 bis 1945 und (3) die Nachkriegszeit, die vor allem in Entwicklungsländern von starkem Bevölkerungswachstum gekennzeichnet ist (OLDEMAN, 1988, S. 3).

<69>

In der GLASOD-Terminologie bedeutet das: „The terrain is unreclaimable and impossible to restore. Original biotic functions are fully destroyed.“ (OLDEMAN et al., 1991, S. 15).

<70>

Gemeint sind Zeiträume, die weit mehr als 50 Jahre umfassen.

<71>

CRAMER hat dies in einer mittlerweile klassischen Studie dargestellt (CRAMER, 1964, zitiert in GREENE, 1997, S. 434).

<72>

79 Vgl. hierzu z.B. ÜBERLA, 1977, S. 86.

<73>

TUKEY bemerkt hierzu: „Exploratory data analysis is an attitude, a flexibility, and a reliance on display, NOT a bundle of techniques...“ (TUKEY, 1986, S. 811).

<74>

Diese Methoden werden eingehend beschrieben bei BACKHAUS et al., 1994.

<75>

LISREL steht für Linear Structural Relationships, ein von Jöreskog entwickelter Maximum-Likelihood Ansatz (Jöreskog und SÖRBOM, 1989, zitiert in BACKHAUS et al., 1994, S. 327). PLS steht für Partial Least Squares-Algorithmus, der auf WOLD zurückgeht (WOLD, 1982, zitiert in BACKHAUS et al., 1994, S. 344).

<76>

Die Autoren beziehen dies vor allem auf Methoden zur Analyse des Einflusses von Wirtschaftspolitiken auf Bodendegradation.

<77>

Vgl. OST in FAHRMEIR und HAMERLE, 1984, S. 575 u. 640; ÜBERLA, 1977, S. 3 u. S. 85; BACKHAUS et al., 1994, S. 189.

<78>

Der Begriff wird hier gemäß dem allgemeinen Sprachgebrauch, nicht im Sinne der statistischen Effizienz verwendet.

<79>

Rangskaliert (Erosionsgrad), nominalskaliert (Haupterosionsursache) und verhältnisskaliert (Erosionsausmaß).

<80>

Eine länderweise Auflistung für die verschiedenen Erosionsindizes findet sich im Anhang 2.

<81>

Das schließt nicht aus, daß auch Zeitreihen mit einbezogen werden, die erst später beginnen.

<82>

Vgl. den Land Quality Indicators - Ansatz, den DUMANSKI und PIERI beschreiben (1997, S35 ff.).

<83>

Vgl. FAO / IIASA (1982), FAO / UNFPA (1984) und FAO / UNFPA / IIASA (1982).

<84>

Das Verhältnis der beiden Größen wird im folgenden als AEZ-ratio bezeichnet.

<85>

Berechnung auf Grundlage der Produzentenpreisdaten der FAO (1997).

<86>

Diese Daten stammen aus einer Zusammenstellung von JAZAIRY et al. 1991 für IFAD.

<87>

Teilweise variiert dieser Zeitraum in Abhängigkeit von der Datenlage.

<88>

Vgl. zu dieser Herangehensweise LARSON und NARAIN (1997, S. 185 f.).

<89>

Hier werden Daten aus einer Datensammlung mit Flächenangaben einzelner Kulturen geprüft anhand einer anderen Datensammlung mit Angabe zur Größe der gesamten Ackerbau- und Dauerkulturfläche.

<90>

Düngemittel hier: Zugekaufte Düngemittel.

<91>

Der Begriff wurde geprägt von BOX, HUNTER und HUNTER (1978), s. MONTGOMERY und PECK, 1992, S. 269.

<92>

Bei Sommerregen: N = 2 (T+14); bei Regen zu allen Jahreszeiten: N = 2 (T+7); bei Winterregen: N = 2 T. Mit N: mittlerer Jahresniederschlag und T : mittlere Jahrestemperatur. Bleibt der Niederschlag unter der Trockengrenze, so gehört das Gebiet den B-Klimaten an (s. MÜLLER, 1983, S. XII).

<93>

Diese direkte Ursache wird ebenfalls eher mit der Feuerholzübernutzung in ariden Regionen in Zusammenhang gebracht.

<94>

Average-Linkage-Algorithmus; vgl. hierzu BACKHAUS et al., 1994, S. 260 ff. und S. 280 f.


[Titelseite] [Widmung] [Abkürzungsverzeichnis] [1] [2] [3] [4] [5] [6] [7] [8] [9] [10] [Bibliographie] [Danksagung] [Selbständigkeitserklärung] [Lebenslauf] [Anhang]

© Die inhaltliche Zusammenstellung und Aufmachung dieser Publikation sowie die elektronische Verarbeitung sind urheberrechtlich geschützt. Jede Verwertung, die nicht ausdrücklich vom Urheberrechtsgesetz zugelassen ist, bedarf der vorherigen Zustimmung. Das gilt insbesondere für die Vervielfältigung, die Bearbeitung und Einspeicherung und Verarbeitung in elektronische Systeme.

DiML DTD Version 2.0
Zertifizierter Dokumentenserver
der Humboldt-Universität zu Berlin
HTML - Version erstellt am:
Thu Sep 21 12:33:49 2000