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

179

Kapitel 7. Bestimmung der relativen Bedeutung von Determinanten der
Bodenerosion: Regressionsanalysen

Auf der Grundlage der Ergebnisse der Korrelations- und Faktorenanalysen wird in diesem Kapitel untersucht, welche der möglichen Bestimmungsfaktoren in Zusammenhang mit dem Ausmaß der Bodenerosion in Entwicklungsländern stehen, und welche relative Bedeutung dabei einzelnen sozioökonomischen und landnutzerischen Rahmenbedingungen zukommt. Im ersten Abschnitt werden die Datengrundlage, die berechneten Modelltypen und die allgemeine Vorgehensweise vorgestellt (7.1). Dann werden die Ergebnisse der Regressionsschätzungen für verschiedene Klimazonen und Erosionsformen erläutert (7.2). Schließlich wird geprüft, inwieweit die regressionsanalytischen Prämissen bzgl. der Multikollinearität, der Verteilung der Variablen sowie der Unabhängigkeit und Verteilung der Residuen eingehalten werden (7.3). Für drei wichtige Variablen aus den Bereichen Armut und Preisentwicklung, die in der Faktorenanalyse wegen unzureichender Datenverfügbarkeit nicht berücksichtigt werden konnten, werden zusätzlich ergänzende Faktoren- und Regressionsanalysen anhand einer reduzierten Länderanzahl durchgeführt (7.3).

7.1 Modelltypen und Vorgehensweise

7.1.1.1 Modelltypen

Im Vorfeld der Regressionsanalyse muß zunächst entschieden werden, welche Variablen Eingang in die Analyse finden sollen. Als abhängige Variablen werden, in Analogie zum Vorgehen bei den Korrelations- und Faktorenanalysen, verschiedene Erosionsindizes einzeln betrachtet. Dadurch können Modelle für die Bodenerosion insgesamt, für einzelne Erosionsformen und für verschiedene Klimazonen berechnet werden.

Bei der Auswahl der Variablen, deren Einfluß auf Bodenerosion untersucht werden soll, werden die Ergebnisse sowohl der Faktorenanalyse als auch der Korrelationsanalysen als Kriterien hinzugezogen. Einer der wenigen Autoren, die dieses Vorgehen beschreiben, ist JOLIFFE:

„In particular, when there is not a clear cut choice of which variable to associate with a particular PC [Principal Component], the choice should be determined by looking at the strength of the relationships between the candidate variables and the dependent variable.“ (JOLIFFE, 1986, S. 145).

Als Hauptvorteil gegenüber anderen Methoden der Auswahl von Repräsentantenvariablen, die sich allein. an der Höhe der rotierten Faktorladungen orientieren, nennt er:

„The method therefore takes into account the regression context of the problem...“
(ebda., 1986, S. 145).


180

Für jeden der im 16-Faktoren-Modell extrahierten Faktoren wird dementsprechend eine repräsentative Variable als unabhängige Variable für das Regressionsmodell ausgewählt. Diese Variable muß eine der hoch ladenden Variablen sein (Fij > 0,7)<148> und sollte einen möglichst hohen, signifikanten Korrelationskoeffizienten mit dem jeweils betrachteten Erosionsindex haben. Wenn keine der hoch ladenden Variablen hoch mit dem Erosionsindex korreliert, wird die Variable mit der maximalen Faktorladung in das Modell integriert. Da verschiedene Erosionsindizes betrachtet werden und die Einfachkorrelationen der einzelnen Variablen mit den Erosionsindizes verschieden hoch sind, variiert das Repräsentanten-Set dementsprechend je nach Modelltyp bzw. Erosionsindex. Prinzipiell werden die Variablen in der selben Form (Originalwerte oder logarithmierte Werte) in die Regressionsanalyse einbezogen, in der sie zuvor in der Faktorenanalyse verwendet wurden, damit sie den Faktor möglichst genau wiedergeben<149>. Eine Liste der pro Modell verwendeten Repräsentantenvariablen befindet sich im Anhang 7, Tabellen A-7.1.1 bis A-7.1.4. Zur Veranschaulichung der jeweiligen Bedeutung der Repräsentanten-Variablen werden die Korrelationen aller auf einen Faktor hoch ladenden Variablen mit den verschiedenen Erosionsindizes auch auf der rechten Seite der nach rechts aufklappbaren Tabelle A-6.6(a) dargestellt.

Entsprechend den Ergebnissen der Faktorenanalysen (vgl. Abschnitt 6.3.1, S. ) sollen die Variablen AEZ-ratio und DEFN, die den Tragfähigkeitsspielraum Ende der 80er Jahre und die Abholzungsraten in den 80er Jahren erfassen, in allen Modellen mitberücksichtigt werden. In dem Fall, daß die beiden Variablen nach dem beschriebenen Verfahren zur Auswahl von Repräsentantenvariablen nicht direkt als unabhängige Variablen ausgewählt werden, wird das Modell zunächst ohne sie und in einem weiteren Schritt mit ihnen geschätzt.

Um zusätzliche Informationen ausschließlich über die relative Bedeutung verschiedener anthropogener Determinanten zu erhalten, werden einzelne Modelle auch ohne Berücksichtigung der natürlichen Bedingungen bzw. Faktoren berechnet. Es ist zu erwarten, daß die Modelle ohne natürliche Faktoren tendenziell unterspezifiziert sind. Insgesamt werden 16 Modelle betrachtet, die sich bzgl. des Erosionsindexes und - auf der Seite der unabhängigen Variablen - darin unterscheiden, ob die natürlichen Bedingungen sowie die AEZ-ratio<150> mit berücksichtigt werden oder nicht (vgl. Tabelle 7-1).


181

Grundsätzlich ist davon auszugehen, daß die in den klimatischen Untergruppen K4_x, K6, EK12, WK4 und CK4 analysierten Stichproben klimatisch und bzgl. der Landnutzung homogener sind als die Stichproben bei Betrachtung aller Länder. Dieser Vorteil geht aber zu Lasten der Stichprobengröße.

Tabelle 7-1: Liste der 16 berechneten Modelle und Fallzahlen (n)

WEC

Flächenanteil eines Landes, der von Bodenerosion insgesamt betroffen ist:

 

WEC_1

...ohne natürliche Bedingungen, ohne Tragfähigkeitsvariable (AEZ)

(n=73)

WEC_2

...ohne natürliche Bedingungen, mit Tragfähigkeitsvariable (AEZ)

(n=73)

WEC_n

...mit natürlichen Bedingungen

(n=73)

 

 

 

W

Flächenanteil eines Landes, der von Wassererosion betroffen ist:

 

W_wn

...ohne natürliche Bedingungen

(n=73)

W_n

...mit natürlichen Bedingungen

(n=73)

WK4

...Klimazone 4 (mittleres Klima) mit natürlichen Bedingungen

(n=26)

 

 

 

E

Flächenanteil eines Landes, der von Winderosion betroffen ist:

 

E_wn

...ohne natürliche Bedingungen

(n=38)

E_n

...mit natürlichen Bedingungen

(n=38)

EK12

...Klimazonen 1und 2 (extrem arid und arid) mit natürlichen Bedingungen

(n=12)

 

 

 

C

Flächenanteil eines Landes, der von Nährstoffverlusten betroffen ist:

 

C_wn

...ohne natürliche Bedingungen

(n=52)

C_n

...mit natürlichen Bedingungen

(n=52)

CK4

...Klimazone 4 (mittleres Klima) mit natürlichen Bedingungen

(n=22)

 

 

 

K...

Flächenanteil eines Landes einer bestimmten Klimagruppe, der von
Bodenerosion insgesamt betroffen ist:

 

K4_1

Mittlere Klimazone, mit natürlichen Bedingungen, AA_LA als Repräsentant für den Faktor "Historische Entwaldung"

(n=26)

K4_2

Mittlere Klimazone, mit natürlichen Bedingungen, FW_LA als Repräsentant für den Faktor "Historische Entwaldung"

(n=26)

K4_3

Mittlere Klimazone, mit natürlichen Bedingungen, AEZ-ratio als Repräsentant für den Faktor "Historische Entwaldung"

(n=26)

K6

Humide Klimazone, alle Erosionsformen, mit natürlichen Bedingungen

(n=13)

Quelle: eigene Darstellung


182

In Ergänzung zu den durchgeführten Regressionsanalysen wird im Abschnitt 7.3 geprüft, ob unter den Variablen, die zwar hohe Korrelationskoeffizienten mit einzelnen Erosionsindizes aufweisen, für die aber nicht genug Werte vorliegen, um sie in die 73-Länder-Faktorenanalyse aufzunehmen, einzelne Bedeutung und Bestand im Regressionsmodell haben. Im Vordergrund steht die Variable DGWP, die den durchschnittlichen, nach Anbauanteilen gewichteten Preisanstieg für die wichtigsten in einem Land produzierten Produkte im Referenzzeitraum quantifiziert. Weiterhin werden zwei Armutsvariablen untersucht: RP_AREA für den geschätzten Anteil der Fläche eines Landes, der Mitte der 80er Jahre von Armen bewirtschaftet wird, und FVP für den Anteil functionally vulnerable population unter der Landbevölkerung zu etwa derselben Zeit.

7.1.1.2 Modellwahlverfahren

Auf der Basis der 16 Ausgangsvariablen-Sets werden nun anhand multipler Regressionsanalysen diejenigen Variablen identifiziert, die tatsächlich Bedeutung für die Schätzung der jeweiligen abhängigen Variablen haben. Zwei Verfahren kommen dabei zur Anwendung:

Die Vor- und Nachteile dieser beiden Verfahren beschreibt GREENE folgendermaßen:

„On the one hand, there is a presumption that there is a ´true model´ known a priori. If so, orthodoxy dictates that the researcher will compute only a single regression and report the results. Of course, this is hardly likely, and in practice, some exploratory work is always necessary. There is, however, good reason to be sceptical of a ´model´ that is constructed entirely by mechanical means.“ (GREENE, 1997, S. 401)

Da hier nicht von einem gegebenen, zu überprüfenden Modell ausgegangen wird, steht das schrittweise Vorgehen eindeutig im Vordergrund der Analyse. Die Ergebnisse der Modelle unter Einschluß aller 16 Faktorrepräsentanten sollen lediglich helfen, die „mechanisch“ erzeugten Ergebnisse zu überprüfen. Das ist vor allem auch wegen der heterogenen Datenqualität (happenstance-data) angebracht, wie bereits in Kapitel 4 erwähnt. Sollten die Ergebnisse zwischen beiden Verfahren stark differieren, muß dies bei der Interpretation berücksichtigt werden.

Das hier gewählte schrittweise Vorgehen stellt eine Kombination aus vorwärts- und rückwärtsgerichteten Modellfindungsverfahren dar (englisch: stepwise regression). Die Variablen werden vorwärtsgerichtet, Schritt für Schritt in das Modell aufgenommen, wobei Höhe und Signifikanz der Einfachkorrelationen mit der abhängigen Variable bzw.


183

der partiellen F-Statistik-Werte ausschlaggebend für die Reihenfolge der Aufnahme in das Modell sind<151>. Bei jedem Schritt werden die partiellen F-Statistik-Werte der bereits aufgenommenen Variablen erneut (rückwärtsgerichtet) daraufhin überprüft, ob sie sich durch die Aufnahme der letzten Variablen derart verändern, daß sie unter einer vorab festgelegten Untergrenze liegen - in diesem Fall werden sie wieder aus dem Modell entfernt. Auf diese Weise können Kollinearitäten zwischen den unabhängigen Variablen berücksichtigt werden. Das Verfahren ist in dem Moment abgeschlossen, in dem der partielle F-Statistik-Wert der letzten in das Modell aufzunehmenden Variablen das Mindestniveau für diesen Wert unterschreitet (vgl. MONTGOMERY und PECK, 1992, S. 291 f. und 296; GREENE, 1997, S. 399 ff.). Im vorliegenden Fall wird nicht der F-Wert selbst, sondern sein Signifikanzniveau dem Verfahren zugrunde gelegt. Variablen, deren partieller F-Wert mit einer Irrtumswahrscheinlichkeit von p > 0,05 größer oder gleich dem entsprechenden F-Tabellen-Wert ist, werden nicht in das Modell aufgenommen. Im vorliegenden Fall ist zwar davon auszugehen, daß Multikollinearitätsprobleme durch die vorgeschaltete Faktorenanalyse weitgehend reduziert werden konnten; dennoch sind Korrelationen zwischen den Variablen, die die orthogonalen Faktoren repräsentieren, nicht ganz auszuschließen. Deshalb wird das schrittweise Vorgehen hier dem aufwärtsgerichteten vorgezogen.

7.1.1.3 Überprüfung wichtiger Voraussetzungen der Regressionsanalyse

Obwohl die ausgewählten Variablen jeweils voneinander unabhängige Faktoren repräsentieren, sind Multikollinearitätsprobleme, die sich aus hohen Korrelationen der unabhängigen Repräsentanten-Variablen ergeben können, nicht völlig auszuschließen. Für jedes Variablenpaar, das nach dem schrittweisen Verfahren in ein Modell integriert wird, wird deswegen der Korrelationskoeffizient nach PEARSON berechnet und analysiert. So können zwar lediglich paarweise Korrelationen aufgedeckt werden; dennoch ist eine weitere Multikollinearitätsanalyse wegen der vorab durchgeführten Faktorenanalyse nicht notwendig (vgl. MONTGOMERY und PECK, S. 314 ff.).

Alle Variablen, die in einer oder mehreren der insgesamt 16 Modellvarianten als Faktor-Repräsentanten enthalten sind, werden auf ihre Verteilung in der jeweiligen Stichprobe hin untersucht. Da es sich bei den Stichproben jeweils um wohldefinierte Teilmengen handelt, kann somit eine Aussage über die Verteilung der Variablen in dieser Teilmenge und damit über die Homogenität der exogenen Größen in der Teilmenge getroffen werden. Ebenso wie die Verteilung der Variablen für die 73-Länder-Stichprobe bereits anhand des Kolmogorow-Tests untersucht wurde, können auch die Stichproben der anderen Modellvarianten mit weniger als 50 Ländern mit diesem Test untersucht werden, da dieser auch für kleine Stichproben geeignet ist (vgl. RÖNZ et al., 1994, S. 187). Wieder-


184

um werden sowohl die Original-Werte der Variablen als auch die mit dem natürlichen Logarithmus transformierten Werte untersucht.

Die Residuen der 16 Modelle werden daraufhin untersucht, ob (a) ihre Verteilung im Widerspruch zur Annahme der Normalverteilung steht und der erwartete Wert im Mittel Null ist, und ob (b) ihre Varianz annähernd konstant ist.

7.2 Ergebnisse für verschiedene Klimazonen und Erosionsformen

Die wichtigsten Ergebnisse der Regressionsanalysen sind auf der folgenden Seite aufgelistet (Tabelle 7-2). Die Spaltenüberschriften stehen für die jeweils betrachtete abhängige Variable, die verwendeten Abkürzungen entsprechen den bereits erklärten. In der Tabelle sind die Ergebnisse der schrittweisen Regressionanalysen, in Anhang 7, Tabelle A-7.2.2 zusätzlich diejenigen für Regressionen unter Einschluß aller Repräsentantenvariablen wiedergegeben. Ebenso sind im Anhang die Ergebnisse für die schrittweisen Regressionsanalysen unter Zugrundelegung von ausnahmslos logarithmierten Werten wiedergegeben (Tabelle A-7.2.3).

Für jeden signifikanten Faktorrepräsentanten ist die Höhe des jeweiligen standardisierten Regressionskoeffizienten (beta) angegeben. Die Variablen sind nach den Faktorrepräsentanten geordnet. Da die AEZ-ratio nicht eindeutig einem einzigen Faktor zuzuordnen ist, aber am ehesten zu Faktor 8 gehört, ist sie durch eine gestrichelte Linie leicht von den anderen Variablen dieses Faktors abgesetzt. Faktoren, deren Repräsentanten in keinem Fall signifikante Regressionskoeffizienten aufweisen (Irrtumswahrscheinlichkeit > 0,1), sind aus eben diesem Grund nicht in der ersten Spalte der Tabelle enthalten. In den untersten beiden Zeilen sind für jedes Modell das Bestimmtheitsmaß r2 und das entsprechende, um Stichprobengröße und Anzahl der unabhängigen Variablen korrigierte Bestimmtheitsmaß r2KORR angegeben.


185

Tabelle 7-2: Ergebnisse der Regressionsschätzungen für verschiedene Erosionsformen und Klimazonen bei schrittweisem
Einschlußverfahren1)

 

 

Bodenerosion WEC

Wassererosion W

Winderosion E

Nährstoffverluste C

Bodenerosion Klima

 

 

_1

_2

_n

_wn

_n

WK4

_wn

_n

EK12

_wn

_n

CK4

K4_1

K4_2

K4_3

K6

FAKTOR

Variable

n=73

n=73

n=73

n=73

n=73

n=26

n=38

n=38

n=12

n=52

n=52

n=22

n=26

n=26

n=26

n=13

Agroklimatische Bedingungen

 

 

 

 

 

 

 

-0,51**

 

 

0,56**

 

 

 

 

 

 

PMM_A

 

 

 

 

 

0,35**

 

 

 

 

 

 

 

 

 

 

Hangneigung und

S3´

 

 

 

 

0,38**

 

 

 

 

 

 

 

 

 

 

 

Bodenbedingungen

S2_3

 

 

 

 

 

 

 

-0,25*

 

 

 

 

 

 

 

 

Subhumidität

SH

 

 

 

 

0,25*

 

 

 

 

 

 

 

 

 

 

 

Historische Entwaldung

AA_LA

 

 

 

0,31**

0,23*

 

 

 

 

 

0,29*

 

0,63**

 

 

 

 

FW_LA

-0,59**

 

 

 

 

 

-0,49**

 

 

 

 

-0,46*

 

-0,64**

 

 

 

AEZR´

 

-0,69**

-0,69**

 

 

-0,82**

 

 

 

 

 

 

 

 

-0,78**

 

Rezente Abholzung

DEFN´

0,23*

0,19*

0,19*

0,33**

0,19*

0,37**

 

 

 

 

 

 

 

 

 

0,87**

Strukturelle Landknappheit

AR_AA´

 

 

 

0,39**

0,21*

 

 

 

 

 

 

 

 

 

 

 

 

ARPC_AA´

 

 

 

 

 

 

 

 

 

 

 

 

0,49**

0,35*

 

 

 

VAPHA´

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

-0,43*

Sophistikation vs. Extensivierung

WAAA

 

 

 

-0,21*

 

 

 

 

 

 

 

 

 

 

 

 

Ertragswachstum

WYCG

 

 

 

 

 

 

-0,38*

 

 

 

 

 

 

 

 

 

Wachstum Dauerkulturfläche

WAHK12

 

 

 

 

 

 

 

 

 

-0,29*

-0,44**

-0,55**

 

 

 

 

Intensivierung der Düngung

WFER_AP

 

 

 

 

 

 

 

0,33**

0,69*

 

 

 

 

 

 

 

Const.

 

0,01(*)

0,05(*)

0,05(*)

-0,06(*)

-0,03(*)

-0,03(*)

-0,15(*)

-0,45**

0,81(*)

0,09(*)

-0,02(*)

0,74**

-0,25(*)

0,08(*)

0,08(*)

-0,24(*)

r2

 

0,42

0,55

0,55

0,50

0,62

0,77

0,43

0,58

0,49

0,08

0,42

0,48

0,68

0,66

0,61

0,74

r2KORR

 

0,41

0,54

0,54

0,47

0,59

0,74

0,39

0,54

0,44

0,07

0,38

0,43

0,65

0,63

0,59

0,69

Quelle: eigene Berechnungen
1) Aufgeführt sind die standardisierten beta-Koeffizienten derjenigen Variablen, die in der jeweiligen Regressionsschätzung signifikant sind, sowie die Bestimmtheitsmaße r2 und das korrigierte Bestimmtheitsmaß r2KORR für die gesamte Schätzung. Bei den Schätzungen, in denen die natürlichen Bedingungen nicht berücksichtigt werden, sind die entsprechenden Spalten grau unterlegt. Zu den für die einzelnen Modelle verwendeten Abkürzungen in den Spaltenköpfen s. Legende auf S. 182. Variablen mit logarithmierten Werten sind mit einem "´" gekennzeichnet. Signifikanz des t-Wertes der Variablen: **: < 0,01; *: < 0,05; (*): < 0,1.


186

Bevor die Ergebnisse der einzelnen Modelle besprochen werden, sei auf folgende Punkte hingewiesen:

7.2.1.1 Modelle für die gesamte Bodenerosion

In den Modellen für die gesamte Bodenerosion (WEC_1, WEC_2 und WEC_n) kann für 73 Länder die Varianz des Anteils degradierter Landesfläche zu maximal 55% erklärt werden durch nur zwei Variablen bzw. Faktorrepräsentanten: FW_LA (betaWEC_1 = -0,59) bzw. AEZ (betaWEC_2 = -0,69) für den Faktor „Historische Entwaldung“ und die Abholzungsrate DEFN (beta = 0,19 bis 0,23) für den Faktor „Rezente Abholzung“. Während DEFN als Repräsentant für den Faktor Abholzung und der Abholzungsfaktor selbst eindeutig sind, ist sowohl bei FW_LA als auch bei der AEZ-ratio zu berücksichtigen, daß


187

sie zwar Repräsentanten für einen bestimmten Faktor sind, aber noch mit anderen Faktoren in Zusammenhang stehen. So haben beide Variablen starken Bezug zur Aridität bzw. Humidität eines Landes (Faktor 3), der relative Bevölkerungsdruck AEZ-ratio teilweise auch zur „Strukturellen Landknappheit / Intensität der Landnutzung“ (Faktor 1). Was genau ist also neben der rezenten Abholzung für den Anteil degradierten Landes entscheidend? Hier sind nicht nur die Historische Abholzung oder die übergeordnete Flächennutzungsintensität, für die hier sowohl die AEZ-ratio als auch FW_LA stehen, sondern auch die Aridität (sicherlich auch in Verbindung mit dem Vorkommen von Starkregen) und die AEZ-ratio selbst, also der Ende der 80er Jahre noch bestehende Spielraum für die bevölkerungsmäßige Tragfähigkeit eines Landes, in Betracht zu ziehen.

Durch die zusätzliche Berücksichtigung natürlicher Bedingungen verändern sich diese Modelle nicht, was zu erwarten war, weil sehr verschiedene Erosionsformen und Klimate zusammengefaßt betrachtet werden. Ebenfalls wie zu erwarten, spielt keiner der Landnutzungs-Faktoren bei dieser zusammengefaßten Analyse eine Rolle. Von den beiden sozioökonomisch-demographischen Rahmenbedingungen Bevölkerungsdruck und Armut haben dementsprechend ausschließlich der Bevölkerungsdruck und die damit in Zusammenhang stehenden Faktoren Bedeutung für das Ausmaß der Bodendegradation. Demgegenüber ist bei keinem der Faktoren, die Wohlstand/Armut oder deren Wachstum erfassen, auf diesem Aggregationsniveau ein Zusammenhang mit dem Degradationsausmaß nachzuweisen.

7.2.1.2 Wassererosion

Anhand der Modelle für Wassererosion können bis zu 77% (r2KORR=0,74) der Varianz des Erosionsindexes erklärt werden. Im Vergleich zur gesamten Erosion sind mehr unabhängige Variablen relevant. Im Modell ohne natürliche Rahmenbedingungen sind - wie bei der gesamten Degradation - Repräsentanten der Faktoren „Historische Entwaldung“ und „Rezente Abholzung“ im Modell enthalten, wobei die rezente Abholzung DEFN im Vergleich zur historischen Entwaldung an Bedeutung gewinnt. Darüber hinaus hat der Faktorrepräsentant für die „Strukturelle Landknappheit / Ackerbauliche Ausrichtung und Intensität der Landnutzung“<153>, AR_PC, die größte relative Bedeutung. Ebenso kommt dem Faktor „Sophistizierung versus Extensivierung“ der Produktion eine gewisse Bedeutung zu - mit negativem Vorzeichen: Je geringer die Sophistizierung der Produktion bzw. je stärker die Ausdehnung der landwirtschaftlichen Nutzfläche im Referenzzeitraum, desto höher der Anteil wassererodierter Landesfläche.

Bei Berücksichtigung der natürlichen Bedingungen haben erwartungsgemäß Repräsentanten für die Hangneigung und für die Subhumidität der Anbaufläche in dem Modell für Bodenerosion Betaedeutung. Durch diese Modellspezifizierung steigt der Wert des Be-


188

stimmtheitsmaßes (r2) um rd. 25%. Die übrigen Faktoren bleiben bis auf die „Sophistizierung der Produktion“ im Modell enthalten. Bei der Interpretation ist abzuwägen, ob die Variable SH hier tatsächlich als Repräsentant des „Subhumiditäts-Faktors“ zu betrachten ist, denn dieser Faktor enthält gleichzeitig Informationen über die Anbaustruktur eines Landes, nämlich über die jeweiligen Anteile mehr und weniger erosiver Anbaukulturen (MWAP3 und MWAP4, vgl. Faktorladungstabelle im rechts ausklappbaren Anhang A-6.6(a)). So könnte diese Variable auch dahingehend gedeutet werden, daß mit einem hohen Anteil eher erosiver Nahrungskulturen an der Anbaufläche auch der Anteil wassererodierter Fläche zunimmt. Dies wird dadurch bestätigt, daß keiner der Regressionskoeffizienten sich wesentlich verändert, wenn die Variable MWAP4 statt SH in die Analyse einbezogen wird.

7.2.1.3 Wassererosion - mittlere Niederschlagsverhältnisse

Die Verkleinerung und Homogenisierung der Stichprobe durch die Betrachtung der Wassererosion in Ländern mit mittleren Niederschlagsverhältnissen führt dazu, daß auch die Niederschlagsintensität PMM_A als unabhängige Variable in das Modell aufgenommen wird. Dies könnte folgendermaßen erklärt werden: Werden alle Länder, also sowohl mit hohen ariden als auch subhumiden und humiden Flächenanteilen, berücksichtigt, so kommen bzgl. der Aridität zwei gegensätzliche Tendenzen zum Tragen, die sich gegenseitig wieder aufheben. In sehr ariden Ländern kann das klimabedingte Vorkommen extremer Starkregen Wassererosion bedingen, in sehr humiden Ländern ebenfalls. Werden jedoch ausschließlich die Länder ohne extreme Klimate einbezogen, so wird die ureigenste Bedeutung der Niederschlagsintensität für Wassererosion deutlicher. Die historische Entwaldung, hier repräsentiert von der AEZ-ratio, sowie die rezente Abholzung haben das relativ größte Gewicht. Für den Faktor „Strukturelle Landknappheit“ ist hier kein Repräsentant mehr im Modell enthalten. Dies kann eventuell dadurch erklärt werden, daß es sich - eben durch die klimatische Homogenisierung der Stichprobe - ohnehin eher um Länder mit strukturell ackerbaulicher Ausrichtung und intensiverem Ackerbau handelt, die dieser Faktor kennzeichnet.

7.2.1.4 Gesamte Bodenerosion - mittlere Klimazone

Die Modelle, in denen die gesamte Degradation für die Klimazone 4 betrachtet wird, werden als nächste besprochen, weil sie eine ähnliche Erklärungsstruktur wie die WEC- Modelle und die Modelle für Wassererosion aufweisen. Sowohl mit als auch ohne Berücksichtigung der natürlichen Bedingungen sind hier die Faktoren „Historische Entwaldung“ und „Strukturelle Landknappheit / Ackerbauliche Ausrichtung und Intensität der Landnutzung“ am wichtigsten. Daß die natürlichen Bedingungen bedeutungslos sind, mag wiederum daran liegen, daß drei verschiedene Erosionstypen zusammengefaßt betrachtet werden. Auffällig ist, daß bei Hereinnahme der AEZ-ratio als Vertreterin des Faktors „Historische Entwaldung“ die „Strukturelle Landknappheit“ nicht mehr im Modell berücksichtigt ist. Das ist mit dem Vorliegen von Kollinearitäten zu erklären - der


189

Einfachkorrelationskoeffizient zwischen der AEZ-ratio und ARPC_AA beträgt in dieser Stichprobe 0,72, ebenso drückt die Faktorladung der AEZ-ratio auf den Faktor „Strukturelle Landknappheit“ in Höhe von 0,36 den entfernten Zusammenhang aus. Man könnte deuten, daß die AEZ-ratio gewissermaßen die Bedeutung der beiden Faktoren in diesem Modell vereint ausdrückt. Unerwartet ist, daß die rezente Abholzung in dieser Klimazone keine maßgebliche Rolle für das Ausmaß der erodierten Fläche spielt. Dies könnte ein Hinweis darauf sein, daß die rezente Abholzung zwar auch insgesamt, aber vornehmlich für das Vorkommen von Wassererosion, und vor allem in Ländern mit sehr hohem Anteil humider Klimate, ein großes Problem ist - ersteres wird durch die aus Tabelle 7-2 ersichtlichen Ergebnisse für Winderosion und C im Grundsatz bestätigt.

7.2.1.5 Gesamte Bodenerosion - humide Klimazone

Bei der Interpretation des Modells für die 13 Länder mit sehr hohem Anteil humider Klimazonen muß die geringe Stichprobengröße beachtet werden, die allgemein zu einer verhältnismäßig hohen Varianzerklärung führt. So kann die Bodenerosion hier zu fast 70% (r2KORR = 0,69) durch die rezenten Abholzungsraten und durch die Höhe der durchschnittlichen Hektarerlöse, VAPHA, erklärt werden. Daß die Abholzung hier eindeutig im Vordergrund steht, entspricht den Erwartungen, aber die Bedeutung der Variable VAPHA mit negativem Vorzeichen ist schwer interpretierbar. Um diese Variablenkombination etwas aufzuschlüsseln, werden zusätzlich getrennte Regressionsmodelle für Wassererosion und für C in den betreffenden Ländern geschätzt. So wird deutlich, daß für Wassererosion ausschließlich die rezente Abholzung Bedeutung hat: Allein mit Hilfe von DEFN kann ein r2KORR von 0,54 erreicht werden, VAPHA ist für das Modell unwichtig. Die Variable VAPHA kann zwar C in gewissem Maße erklären, bei Einbeziehung von FW_LA, der Variablen, die für diese Degradationsform in allen Ländern am wichtigsten ist, sinkt die Bedeutung von VAPHA aber erheblich. Anhand von FW_LA können 73% der Varianzen von CK6 erklärt werden. In der sehr humiden Klimazone ist also die rezente Abholzung für das Ausmaß der Wassererosion entscheidend, der Verlust von Nährstoffen und organischer Substanz kann weitgehend mit der „Historischen Entwaldung“ bzw. mit der übergeordneten Flächennutzungsintensität erklärt werden. Die sehr geringe Fallzahl mindert aber insgesamt die Aussagekraft dieses Modells.

7.2.1.6 Verlust von Nährstoffen und organischer Substanz (C)

Wie bereits erwähnt, ist bei ausschließlicher Analyse des Erosionstyps C der Waldanteil eines Landes von Bedeutung. Werden alle Länder, in denen dieser Erosionstyp vorkommt, in die Analyse einbezogen und die natürlichen Bedingungen als unabhängige Variablen zugelassen, so ist die Humidität des Landes ausschlaggebend für das Ausmaß von C. Bis zu diesem Punkt ist das Erklärungsmuster gut deutbar. Schwer interpretierbar ist indes die Bedeutung der Variablen WAHK12, die das Wachstum der mit wenig erosiven und meist Dauerkulturen bebauten Fläche wiedergibt und somit für ebendiesen Faktor steht: Je geringer das Wachstum dieser Fläche nach dem Modell, desto größer der


190

Flächenanteil eines Landes, der von Nährstoffverlusten und dem Verlust organischer Substanz betroffen ist. Obwohl sich hier eine grundsätzliche Sinnhaftigkeit feststellen läßt, weil es sich um die eher bodenschonenden Kulturen handelt, ist die relative Bedeutung der Variablen im Modell unerwartet hoch. Auch ein Blick auf die Faktorladungen, die WAHK12 bei anderen Faktoren aufweist, hilft wenig weiter, da diese ausnahmslos niedrig sind. Am ehesten steht die Variable noch mit den mittleren Getreideerträgen (MWYCG und MWYCE) in Zusammenhang. Die versuchsweise Substitution der Variablen im Modell durch andere, die ähnlich hohe Korrelationen mit C haben, z.B. WAHK4 oder MWAP12, bringt keine zusätzliche Erklärung, so daß der Stellenwert dieser Variablen hingenommen werden muß.

7.2.1.7 Winderosion

Bei den drei Modellen, in denen nur der Anteil winderodierter Fläche (E) der 38 Länder, die von Winderosion betroffen sind, betrachtet wird, fällt zunächst auf, daß die natürlichen Faktoren Aridität und Hangneigung die größte Bedeutung haben: Je größer der Anteil arider Flächen und von Flächen mit geringer Hangneigung in einem Land, desto größer ist der Anteil winderodierter Fläche. Allein mit diesen beiden Variablen lassen sich r2-Werte von 0,47 (r2KORR = 0,44) erreichen. Der relativ hohe Regressionskoeffizient, den der Waldanteil FW_LA im Modell ohne natürliche Faktoren hat, ist hier unzweifelhaft auf den Klimafaktor F3 zurückzuführen, auf den FW_LA lädt, zumal die Variable bei Zulassung einer Klimavariablen im Modell extrem an Bedeutung verliert. Ähnlich könnte der Stellenwert der Variablen WYCG im Modell ohne natürliche Faktoren gedeutet werden, auch weil signifikante Korrelationen zwischen dem Anteil arider Flächen und auch anderen Ariditätsindikatoren einerseits und dem Ertragswachstum WYCG andererseits bestehen (z.B rWYCG, AHDSA = -0,44, p = 0,006) - allerdings ist faktorenanalytisch kein struktureller Zusammenhang zwischen den Variablen zu erkennen. Auch im Modell mit natürlichen Faktoren behält die Variable einen recht hohen Regressionskoeffizienten von - 0,19, der aber nur für alpha = 0,13 signifikant ist.

Schwierig zu deuten ist die Variable WFER_AP, die die Zunahme der Düngemittelintensität im Referenzzeitraum wiedergibt. Sie wird bei Betrachtung der zwölf sehr ariden Länder beim schrittweisen Modellwahlverfahren sogar als einzige Variable in das Modell aufgenommen - was angesichts der sehr geringen Stichprobengröße und der damit verbundenen geringen Aussagekraft des Modells in keinem Fall überbewertet werden sollte. Es ist zwar wenig erstaunlich, daß hier die natürlichen Faktoren wegfallen, weil die Stichprobe ja anhand dieser homogenisiert wurde. Dennoch ist die Zunahme der Düngemittelintensität gerade in Ländern, in denen im GLASOD der Überweidung der Hauptanteil an der Bodendegradation zugeschrieben wird, als Erklärung für einen hohen Anteil winderodierter Fläche nicht besonders überzeugend. Mit dem Faktor, den diese Variable repräsentiert, steht noch ein geringer mittlerer Anteil von Dauerkulturen, MWAP12, in Verbindung, aber die Korrelation dieser Variablen mit der Winderosion ist


191

sehr niedrig. Schließlich kann wiederum nur auf eine vorhandene Korrelation zwischen der Zunahme der Düngemittelintensität und der Aridität verwiesen werden
(rWFER_AP, AHDSA = 0,31, p = 0,06).

Insgesamt sind zweifellos die Modelle für Wassererosion unter Einbeziehung der natürlichen Faktoren am besten interpretierbar und am interessantesten, insbesondere die Modelle für die Klimazonen 4 (WK4) und 6 (WK6)<154>. Die Modelle für Winderosion und für C ohne Berücksichtigung der natürlichen Bedingungen sind eher unbefriedigend. Als Gründe dafür, daß die Erklärungsmuster für Wassererosion so viel plausibler und - im Sinne höherer Bestimmtheitsmaße - besser als diejenigen für Wind- und C-Erosion sind, kommen in Frage:


192

7.3 Prüfung der Prämissen der Regressionsanalyse

7.3.1.1 Multikollinearität

Aus Abbildung 7-1 gehen die Korrelationskoeffizienten für die in den vorgestellten Modellen nach dem schrittweisen Verfahren eingeschlossenen Variablen hervor. Korrelationskoeffizienten mit absoluten Werten > 0,3 kommen ausschließlich in den Modellen vor, in denen natürliche und anthropogene Variablen enthalten sind, und nur zwischen natürlichen und anthropogenen Faktoren. Das bedeutet, (1) daß die anthropogenen Faktoren, insbesondere die Variablen für die Faktoren „Historische Entwaldung“ und „Rezente Abholzung“, untereinander nicht korreliert sind und (2) daß einige der anthropogenen Faktoren nicht vollständig unabhängig von den natürlichen Rahmenbedingungen sind. Letzteres ist darauf zurückzuführen, daß die landnutzerischen Aktivitäten von Menschen nicht in einem Vakuum, sondern in einem agrarökologischen Rahmen stattfinden, der diese Aktivitäten mitbestimmt. Da der höchste dieser Korrelationskoeffizienten 0,5 beträgt, brauchen keine Variablen aus den Modellen entfernt oder ersetzt zu werden.

Abbildung 7-1: Korrelationskoeffizienten der exogenen Variablen der berechneten Regressionsmodelle1)

1) Modelle mit nur einer exogenen Variablen sind nicht aufgeführt. Unter jedem Korrelationskoeffizient steht die jeweilige Irrtumswahrscheinlichkeit p (kleingedruckt).
Quelle: eigene Berechnungen


193

7.3.1.2 Homogenität der exogenen Variablen

Wie aus Tabelle 7-3 hervorgeht, zeigen die Werte des Kolmogorow-Tests (K-S: 2-tailed-p-Werte), daß bis auf eine der exogenen Variablen alle so verteilt sind, daß kein Widerspruch zur Annahme der Normalverteilung besteht. Die Ausnahme stellt die Variable WAHK12 in den Modellen C_n und CK4 dar, was mit ein Grund für die ohnehin schwierige Deutung dieser Variablen in beiden Modellen sein dürfte. In Tabelle 7-3 sind die K-S-Werte für Variablen, die in mehreren Modellen mit gleicher Länderzahl vorkommen, nicht doppelt aufgeführt. DEFN beispielsweise ist hier unter WEC_1 aufgelistet, kommt aber - mit gleicher Verteilung - auch in den Modellen WEC_2, WEC_n, W_wn und W_n vor.

Tabelle 7-3: Verteilung der in den relevanten Regressionsmodellen enthaltenen unabhängigen Variablen - Testwerte1)

Modell

Variable

K-S1)

 

Modell

Variable

K-S1)

 

Modell

Variable

K-S1)

WEC_1

FW_LA

0,74

 

E_wn

FW_LA

0,61

 

K4_1

AA_LA

0,85

 

DEFN

0,71

 

 

WYCG

0,26

 

 

ARPC_AA

0,63

WEC_2/

AEZ

0,52

 

E_n

H

0,30

 

K4_2

FW_LA

0,94

WEC_n

 

 

 

 

S2_3

0,99

 

K4_3

AEZ

0,99

W_wn

AA_LA

0,77

 

 

WFER_AP

0,94

 

 

 

 

 

AR_AA

0,51

 

EK12

WFER_AP

0,97

 

K6

DEFN

0,99

 

WAAA

0,85

 

 

 

 

 

 

VAPHA

0,93

W_n

S3

0,71

 

C_wn

WAHK12

0,02

 

 

 

 

 

SH

0,47

 

C_n

H

0,14

 

 

 

 

WK4

PMM_A

0,98

 

 

AA_LA

0,79

 

 

 

 

 

AEZ

0,99

 

CK4

FW_LA

0,94

 

 

 

 

 

DEFN

0,87

 

 

WAHK12

0,03

 

 

 

 

1) 2-tailed-p-Werte des Kolmogorow-Smirnow-Tests (KS): Werte < 0,05 indizieren, daß die Annahme der Normalverteilung abgelehnt werden muß.
Quelle: eigene Berechnungen

7.3.1.3 Residualanalyse

Die Residuen der 16 Modelle werden daraufhin untersucht, ob (a) ihre Verteilung im Widerspruch zur Annahme der Normalverteilung steht und der erwartete Wert im Mittel Null ist und ob (b) ihre Varianz annähernd konstant ist. In Tabelle 7-4 sind für die Residuen der 16 Modelle wiederum die 2-tailed-p-Werte des Kolmogorow-Tests angegeben. Da die Modelle WEC_2 und WEC_n gleich sind, werden sie hier zusammengefaßt. Keiner der Werte läßt darauf schließen, daß die Verteilung im Widerspruch zur Annahme der Normalverteilung steht.


194

Zu beachten ist allerdings, daß die Fallzahlen der Modelle EK12 (12), K6 (13) und CK4 (22) so niedrig sind, daß die Werte des Kolmogorow-Tests möglicherweise wenig aussagekräftig sind. Weiterhin wird die Varianz der Residuen anhand von Scatterplots mit den unabhängigen Variablen des jeweiligen Modells sowie mit den geschätzten Werten der abhängigen Variablen untersucht (vgl. Abbildung A-7.3, Anhang 7). Die Scatterplots zeigen, daß bei keinem der Modelle von systematischen Fehlern ausgegangen werden muß.

Tabelle 7-4: Verteilung der Residuen - Testwerte1)

Modell

K-Sres1)

 

Modell

K-Sres1)

WEC_1

0,87

 

C_wn

0,71

WEC_2/_n

0,80

 

C_n

0,50

W_wn

0,67

 

CK4

0,98

W_n

0,49

 

K4_1

0,93

WK4

0,56

 

K4_2

0,92

E_wn

0,55

 

K4_3

0,99

E_n

0,51

 

K6

0,92

EK12

0,99

 

 

 

1) 2-tailed-p-Werte des Kolmogorow-Smirnow-Tests (KS): Werte < 0,05 indizieren, daß die Annahme der Normalverteilung abgelehnt werden muß.
Quelle: eigene Berechnungen

7.4 Ergänzende Analysen: Agrarpreisentwicklung und Armut

Im Vordergrund der ergänzenden Analyse steht die Variable DGWP, die den Preisanstieg der wichtigsten in einem Land erzeugten Agrarprodukte im Referenzzeitraum quantifiziert. Sie weist relativ hohe negative Korrelationskoeffizienten mit einzelnen Erosionsindizes auf, und ihre Untersuchung ist insbesondere deshalb von Interesse, weil sie sich als einzige auf das preisliche und damit auch preispolitische Umfeld der Produzenten bezieht. Zudem werden mögliche Kausalzusammenhänge zwischen Agrarpreisentwicklung, Preiserwartungen und Zeitpräferenz der Landnutzer auf der einen Seite und Bodenerosion auf der anderen Seite in der Literatur bisher ausschließlich theoretisch behandelt (vgl. Kapitel 3).

Weiterhin wird - ausgehend von den Ergebnissen der Korrelationsanalysen für die Klimazone „4“ - nochmals der möglichen Bedeutung von Armut als Erosionsdeterminante nachgegangen. Untersucht werden soll der relative Einfluß von zwei Variablen: RP_AREA, die die von Armen bewirtschaftete Fläche zu Anfang der 80er Jahre annähernd quantifiziert, und FVP, die den Anteil der Bevölkerung bemißt, der functionally


195

vulnerable, also ökonomisch labil ist. Für diese Variablen sind in der zu untersuchenden Klimazone ausreichend Länderdaten vorhanden und sie werden als „gute“ Armutsindikatoren eingeschätzt (vgl. Kriterien der Variablenauswahl, Abschnitt 4.2.2). Außerdem bestätigen die Korrelationsergebnisse - ausschließlich in dieser Klimagruppe - zumindest teilweise die Annahmen der Literatur über den Zusammenhang Armut und Bodendegradation. Eine Untersuchung für andere Größen mit relativ hohen Korrelationskoeffizienten, vor allem aus dem sozioökonomischen Bereich - z.B. für die Anzahl der Landlosen oder die Einkommensverteilung -, scheitert schlichtweg an den zu geringen Fallzahlen.

Um zunächst einzuordnen, mit welchen anderen unabhängigen Variablen die drei Variablen DGWP, FVP und RP_AREA zusammenhängen, wird jeweils eine in der Fallzahl entsprechend der Datenlage reduzierte Faktorenanalyse durchgeführt. Die Variablen werden dann in jedes der Regressionsmodelle, die nach der schrittweisen Einschlußmethode im vorigen Abschnitt als „beste“ (= most parsimonious) bestimmt wurden, zusätzlich zu den in dem jeweiligen Modell enthaltenen Variablen integriert. So kann die relative Bedeutung der drei Variablen für Bodenerosion geschätzt werden.

Für die Variablen RP_AREA und FVP ist die Interpretation der rotierten Faktorladungsmatrix eindeutig: Beide Variablen ordnen sich - auch unabhängig voneinander - in den Faktor „Armut“ ein, der in Abschnitt 6.3 ausführlich beschrieben wurde (vgl. Tabelle A-7.4.1 und A-7.4.2, Anhang 7). Ihre Berücksichtigung in den Regressionsmodellen für die verschiedenen Ländergruppen zeigt, daß auch anhand dieser Armutsindikatoren eine Bedeutung von Armut für das Vorkommen von Bodenerosion auf dem nationalen Aggregationsniveau nicht nachgewiesen werden kann.

Entsprechend den Daten für DGWP umfaßt die Faktorenanalyse mit dieser Variable 56 Länder. DGWP lädt am höchsten auf den Abholzungsfaktor „Rezente Abholzung“ (FL = -0,60). Die negative Faktorladung bedeutet, daß geringe durchschnittliche Preiszuwächse für landwirtschaftliche Produkte im Referenzzeitraum mit hohen Abholzungsraten einhergehen (vgl. Tabelle 7-5 und Tabelle A-7.4.3, Anhang 7)<155>.

Die Faktorladungen der Variable DGWP mit den anderen Faktoren zeigen, daß DGWP - wie im übrigen zu erwarten - bzgl. dieser anderen Faktoren eher den Charakter einer „Querschnittsvariablen“ hat: Ähnlich wie z.B. die AEZ-ratio korreliert sie auch mit anderen Variablen bzw. Faktoren. Geringe Ladungen treten auf bei den Faktoren „Strukturelle Landknappheit / Ackerbauliche Ausrichtung und Intensität der Landnutzung“, „Agroklimatische Bedingungen“, und „Historische Entwaldung“. Entsprechend den Vor-


196

zeichen der Faktorladungen läßt sich vorsichtig deuten, daß der Preisanstieg in humiden und subhumiden Ländern mit einer eher großen landwirtschaftlichen Nutzfläche (Anteil an der Landesfläche), hoher Bevölkerungsdichte und intensiver ackerbaulicher Ausrichtung tendenziell relativ gering ist. Wenn man das Bild, das sich insgesamt ergibt, kausal deutet, läßt sich vermuten, daß der Extensivierungsdruck (z.B. DEFN) und z.T. auch der Intensivierungsdruck, vor allem im Sinne kürzerer Brachezeiten (z.B CI), in den vergangenen Jahrzehnten verstärkt wurden durch geringe Preiszuwächse - oder sogar Preisrückgänge - bei den für ein Land relevanten Agrarprodukten.

Tabelle 7-5: Ergebnisse der Faktorenanalyse unter Einbeziehung der Variablen DGWP - Faktormuster der relevanten Faktoren1)

1) Alle Faktoren, auf die DGWP absolut mit ge 0,2 lädt. Aufgelistet sind Variablen mit absoluten Faktorladungen > 0,5. FL: Faktorladung
Quelle: eigene Berechnungen

Die Ergebnisse der Korrelationsanalysen für verschiedene Klimazonen bestätigen diese Vermutung - obgleich sie keine Kausalzusammenhänge wiedergeben (Tabelle 7-6). Am stärksten scheint der Zusammenhang zwischen Preisverfall für die relevanten Agrarprodukte und hohen Abholzungsraten in Ländern mit sehr hohem Anteil arider oder humider Flächen zu sein (Klimate „12“ und „6“). Nimmt man diese Ländergruppen zusammen (Klimate „126“ in Tabelle 7-5), so steigt der Korrelationskoeffizient auf -0,82 (vgl. auch


197

Abbildung 7-2) <156>. Hingegen steht DGWP in der mittleren und humiden Klimazone mit einer hohen Landnutzungsintensität in Zusammenhang.

Tabelle 7-6: Korrelationskoeffizienten zwischen der langfristigen Preisentwicklung (DGWP) und der rezenten Abholzung (DEFN) sowie der
Anbauintensität (CI) nach Klimazonen1)

Klimazone

n

DEFN´

CI

Alle Länder

56

-0,46***

-0,30**

Klimate „123“ 2)

17

-0,67***

-

Klima „4“

19

-0,50**

-0,53**

Klimate „456“ 3)

39

-0,36**

-0,53***

Klima „6“

12

-0,63**

-0,61**

Klimate „126“ 4)

20

-0,82***

-

4) Länder mit extremen Klimaten: extrem arid („12“) und extrem humid („6“)
Quelle: eigene Berechnungen

Allein schon diese Ergebnisse der Faktorenanalyse, vor allem die Korrelation der rezenten Abholzungsraten und der Preisentwicklung, lassen im Rahmen des gewählten methodischen Vorgehens die Vermutung zu, daß sinkende Preise mit Bodenerosion in kausalem Zusammenhang stehen: Der Faktor „Rezente Abholzung in Zusammenhang mit sinkenden Agrarpreisen“, repräsentiert durch die Variable DEFN, trägt in den wichtigsten der bereits berechneten Regressionsmodelle entscheidend zur Erklärung der Erosionsvariablen bei.


198

Abbildung 7-2: Zusammenhänge zwischen der langfristigen Preisentwicklung DGWP, der Anbauintensität CI (a) und der rezenten Abholzung DEFN (b) - Scatterplots 1)

Quelle: eigene Berechnungen

Darüber hinaus bestätigt auch die regressionsanalytische Untersuchung, daß der Variablen DGWP insgesamt und für die verschiedenen Klimazonen relativ große Bedeutung zukommt. Die Ergebnisse dieser Schätzungen gehen für das schrittweise Einschlußverfahren aus Tabelle A-7.4.4 des Anhangs 7 hervor. Zu bemerken ist vor allem:


199

Insgesamt ist also davon auszugehen, daß das Ausmaß, in dem die Agrar-Produzentenpreise in einem Land in den vergangenen Jahrzehnten gestiegen bzw. gesunken sind, Einfluß auf das Verhalten von Land- und Waldnutzern in puncto Bodenerosion hatte. Daß dieses Verhalten vor allem in erosiven landnutzerischen Praktiken und in der verstärkten Abholzung von Wäldern bestand, wird auf andere Weise auch durch folgende Scatterplots illustriert (Abbildung 7-3): Hier ist die abhängige Variable WECaf, d.h. der Anteil eines Landes, der nach aggregierter Einschätzung der GLASOD-Länderexperten für die einzelnen mapping units durch ackerbauliches Mißmanagement („a“) und Abholzung („f“) erodiert ist, in Zusammenhang mit DGWP abgebildet.

Abbildung 7-3: Zusammenhänge zwischen der langfristigen Preisentwicklung DGWP und Bodenerosion durch Abholzung und ackerbauliches Mißmanagement - Scatterplots

Quelle: eigene Berechnungen


200

Drei abschließende Bemerkungen zu diesem wesentlichen Ergebnis bezüglich des Zusammenhangs zwischen Preisentwicklung, Landnutzung und Bodenerosion seien angefügt:

7.5 Zusammenfassung der Ergebnisse

(1) Die langfristige, historische Ausdehnung der landwirtschaftlichen Nutzfläche auf Kosten des Waldbestandes in Zusammenhang mit einem Gesamtbevölkerungsdruck, der gegen Ende der 80er Jahre die Tragfähigkeit der jeweiligen agrarökologischen Zone überschreitet.

(2) Die rezente Abholzung von Naturwald, die in Zusammenhang mit dem Wachstum der gesamten und der ländlichen Bevölkerung zu sehen ist. Hier scheinen weniger der Druck der landwirtschaftlichen Bevölkerung und die Ausdehnung der landwirtschaftlichen Nutzfläche, also die Produktionsseite, im Vordergrund zu stehen, als vielmehr der Druck der Nachfrageseite.

(3) Die langfristige Intensivierung der Agrarproduktion, vor allem im Sinne der Nutzungsintensität (Umwandlung von Dauergrünland in Ackerland), der Flächenintensität (Verkürzung der Brachezeiten) und der Viehbesatzdichten. Eine hohe Intensität ist mit einem langfristig hohen Bevölkerungsdruck - auch der landwirtschaftlichen Bevölkerung - in Zusammenhang zu sehen.

Diese drei Dimensionen der Wirtschafts- und Agrarentwicklung sind voneinander relativ unabhäng.


202


Fußnoten:

<148>

Nur in Ausnahmefällen, bei denen große Unterschiede bzgl. der Korrelationskoeffizienten mit Bodenerosion vorliegen, können auch Variablen mit einer Faktorladung > 0,5 als Repräsentanten gewählt werden.

<149>

Ergänzend werden sämtliche Regressionsanalysen auch auf der Basis von ausschließlich logarithmierten (ln) Variablen durchgeführt. Die Ergebnisse sind im Anhang 7, Tabelle A-7.2.3, tabellarisch wiedergegeben.

<150>

DEFN ist ohnehin unter den Modellvariablen enthalten.

<151>

Eine Beschreibung verschiedener Modellfindungsverfahren findet sich bei MONTGOMERY und PECK, 1992, S. 265 ff.

<152>

Diese Werte beziehen sich auf das schrittweise Einschlußverfahren. Das korrigierte Bestimmtheitsmaß der relevanten Modelle liegt zwischen 0,41 und 0,74. SOUTHGATE z.B. schreibt in bezug auf seine eigenen Regressionsergebnisse für den Ländervergleich zu Determinanten der Abholzung: “For a cross-sectional study, an adjusted r2 of 67 percent is very good, particularily since aggregate national-level data for a heterogenous group of countries have been used. Dummy variables....could have been introduced. But to maintain a sharp focus .... this was not done.“ (1994, S. 138). Mögliche Gründe dafür, daß das C_wn-Modell einen r2 -Wert von nur 0,08 hat, werden im folgenden diskutiert.

<153>

Oder auch: Ackerbauliche Ausrichtung der Produktion und Intensität des Ackerbaus.

<154>

Dieses Modell ist nicht gesondert in der Abbildung 7-2 aufgeführt, es wurde im Zusammenhang mit dem K6-Modell vorgestellt.

<155>

Da bei dieser Faktorenanalyse die Anzahl der Variablen (63) die Anzahl der Länder übersteigt, wurde zusätzlich eine in der Anzahl der Ausgangsvariablen reduzierte Variante berechnet (44), in der DGWP in sehr ähnlicher Weise den in der Tabelle aufgelisteten Faktoren zugeordnet ist.

<156>

In einer Regressionsschätzung mit DEFN als abhängiger Variablen und DGWP als einziger unabhängiger Variablen beträgt das Bestimmtheitsmaß r2 0,67 bzw. r2KORR 0,65, beta=-0,82, t=-6,0, pt<0,001; F=36,3, pF<0,001. Für alle 56 Länder: r2 0,21 bzw. r2KORR 0,19, beta=-0,46, t=-3,8, pt<0.001; F=14,2, pF<0,001. Für CI als abhängige Variable und DGWP als unabhängige Variable in den Klimazonen „456“: r2 0,28 bzw. r2KORR 0,26, beta=-0,53, t=-3,8, pt<0,001; F=14,2, pF<0,001.

<157>

Sicherlich können diese beträchtlich sein, was aber nicht Gegenstand der Untersuchung ist.


[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